# Sheila Maceira Journal > Learning in public. Writing to understand. Sharing to help. Public Ghost content for AI and LLM tooling. This file includes a bounded export of public pages first, then recent public posts. Append `.md` to any post or page URL to get the content in Markdown (for example, `/example-post.md`). ## Pages ### About this site URL: https://www.sheilamaceira.com/about/ Last updated: 2026-08-28T17:06:21.000Z # About The story behind this journal — what I explore, why I write and what you can expect to find. ![Black, white and orange symbol representing the About section.](https://storage.ghost.io/c/8a/aa/8aaa0e0e-79eb-42b5-8591-f4267f2bbe55/content/images/2026/08/banner-about.png) Sheila Maceira Journal is an independent publication launched in July 2026. Welcome. This journal is where I explore ideas, document work and make sense of what I encounter. **Perspectives** holds longer reflections on organisations, performance and technology; **Work** brings together selected case studies and applied practice; **Carnets** is where I explore more freely across art, culture and other interests. I don't write because I have all the answers. I write because writing helps me understand. If something here helps someone else along the way, then publishing it was worthwhile. **Learning in public. Writing to understand. Sharing to help.** ### Subscribe If you subscribe, you'll receive new articles by email whenever they're published. You'll also have access to the complete archive as it grows. There are no algorithms here—just thoughtful writing, delivered directly to your inbox. Thank you for reading, and for being part of the journey. ### Home URL: https://www.sheilamaceira.com/home/ Last updated: 2026-08-30T21:10:52.000Z ## Welcome to my journal Learning in public. Writing to understand. Sharing to help. [FIrst time? Start here](https://www.sheilamaceira.com/start-here-a-guide-to-smj/) [![CTA Image](https://storage.ghost.io/c/8a/aa/8aaa0e0e-79eb-42b5-8591-f4267f2bbe55/content/images/2026/08/banner-performance-1.png)](https://www.sheilamaceira.com/tag/perspectives/) ****Perspectives** Long-form reflections on business performance, customer operations, transformation, data and AI. [Explore Perspectives ](https://www.sheilamaceira.com/tag/perspectives/) [![CTA Image](https://storage.ghost.io/c/8a/aa/8aaa0e0e-79eb-42b5-8591-f4267f2bbe55/content/images/2026/08/banner-work.png)](https://www.sheilamaceira.com/tag/work) ****Work** Selected case studies showing how customer and operational problems were turned into measurable improvements. [Explore Work ](https://www.sheilamaceira.com/tag/work) [![CTA Image](https://storage.ghost.io/c/8a/aa/8aaa0e0e-79eb-42b5-8591-f4267f2bbe55/content/images/2026/08/banner-carnets-1.png)](https://www.sheilamaceira.com/tag/carnets/) ****Carnets** Notes, drawings and unfinished thoughts — a place to explore beyond the usual boundaries. [Explore Carnets ](https://www.sheilamaceira.com/tag/carnets/) ## Posts ### Le service fonctionne. Que change-t-il vraiment ? URL: https://www.sheilamaceira.com/le-service-fonctionne-que-change-t-il-vraiment/ Last updated: 2026-09-25T21:15:22.000Z Et si la performance d’un service se révélait aussi après son lancement ? Relier qualité, usages et résultats métier aide à mieux décider de la suite. _This post is for subscribers only._ ### Pratiques de leadership : développer les compétences au sein des équipes et entre elles URL: https://www.sheilamaceira.com/work-pratiques-de-leadership/ Last updated: 2026-09-16T14:22:57.000Z *Read in* [*English*](https://www.sheilamaceira.com/work-leadership-practices/)*.* > Les compétences ne se développent pas par la seule formation. Elles progressent lorsque l’apprentissage, le partage, la réflexion et la prise de responsabilité font partie du travail quotidien. ### **Question** Comment développer durablement les capacités d’une équipe ? ## Approche Je considère le développement des compétences comme une composante à part entière de la delivery. Une meilleure performance ne dépend pas uniquement de la qualité de chaque projet, mais aussi de la capacité des équipes à partager rapidement ce qui fonctionne, apprendre à partir des faits, challenger leurs approches et appliquer ces enseignements ailleurs. Chez Lloyds, j’ai formalisé cette approche à travers des objectifs liés aux pratiques et au développement des compétences : renforcer les savoir-faire métier, aider les collaborateurs à mieux exploiter la recherche et les données, créer davantage d’opportunités de leadership partagé et instaurer des rythmes réguliers de réflexion et d’apprentissage. Le principe était simple : une équipe ne gagne pas en maturité simplement parce qu’elle reçoit davantage de formation. Elle progresse lorsque chacun peut observer la manière dont les autres travaillent, remettre ses propres approches en question, apprendre de situations réelles, prendre davantage de responsabilités et utiliser ces apprentissages pour faire évoluer le fonctionnement collectif. J’utilise quelques pratiques reproductibles pour faire circuler les expertises au sein des équipes, entre pairs et au-delà des frontières organisationnelles. Elles sont volontairement réciproques : je les utilise autant pour partager ce que je sais que pour maintenir ma propre pratique ouverte au challenge, au feedback et à de meilleurs exemples venus d’ailleurs. --- ## Pratiques ### **Show & Tell** Créer régulièrement des occasions de présenter des démos, partager des cas et organiser des sessions thématiques, afin que chacun puisse à la fois transmettre ce qu’il a appris et découvrir des approches développées ailleurs. *Ce que cela développe :* visibilité des bonnes pratiques, apprentissage entre pairs et confiance dans sa propre expertise. ### **Connexions inter-équipes** Mettre en relation collègues, spécialistes et équipes lorsque des expériences pertinentes existent ailleurs dans l’organisation — autant pour partager ce que nous savons que pour apprendre de pratiques plus avancées. *Ce que cela développe :* apprentissage plus rapide, meilleure circulation des connaissances et réutilisation d’approches éprouvées. ### **Coaching / Revue entre pairs** Prendre le temps de challenger une approche, revoir une proposition, travailler ensemble sur un problème concret ou partager une expérience pertinente. L’apprentissage peut circuler dans les deux sens, quel que soit le niveau de séniorité. *Ce que cela développe :* jugement, confiance professionnelle, autonomie et meilleure prise de décision. ### **Rétrospectives** Créer des moments réguliers pour revenir sur ce qui a fonctionné, ce qui a été difficile et ce que l’équipe souhaite faire différemment au cycle suivant. *Ce que cela développe :* amélioration continue, réflexion collective et responsabilité partagée. ### **Pratique fondée sur les faits** Rapprocher recherche utilisateur, données, comportements clients et indicateurs de performance pour aider les équipes à dépasser la simple production de livrables et mieux comprendre les résultats qu’elles cherchent réellement à influencer. *Ce que cela développe :* décisions davantage fondées sur les faits et passage d’une logique de « faire » à une meilleure compréhension de ce qui compte et pourquoi. ### **Responsabilité partagée** Créer des occasions pour les collaborateurs d’animer des sessions, rendre leur travail visible, apporter leur expertise et prendre davantage de responsabilités dans les décisions et le développement des pratiques. *Ce que cela développe :* appropriation, confiance dans le leadership et responsabilité plus largement distribuée au sein de l’équipe. --- ## Ce que cela permet de construire Ces pratiques visent à créer des équipes dans lesquelles : - les apprentissages voyagent au-delà des projets individuels ; - les bonnes pratiques deviennent plus faciles à découvrir et à réutiliser ; - les collaborateurs gagnent en confiance et en autonomie pour challenger les approches ; - les faits jouent un rôle plus important dans les décisions ; - l’expérience acquise dans la delivery est régulièrement transformée en améliorations concrètes ; - la responsabilité du développement des pratiques devient progressivement plus collective. ### Leadership Practices: Building Capability Within and Across Teams URL: https://www.sheilamaceira.com/work-leadership-practices/ Last updated: 2026-08-30T21:58:17.000Z Strong teams are not built through training alone. A small set of repeatable practices can help expertise circulate, strengthen judgement and make learning part of everyday delivery. _This post is for subscribers only._ ### Zurich Insurance : faire évoluer le service, les compétences et la mesure ensemble URL: https://www.sheilamaceira.com/case-study-zurich-insurance-fr/ Last updated: 2026-08-30T21:55:20.000Z La hausse de la demande au Contact Centre ressemblait à un problème de capacité. En la replaçant dans une transformation plus large du modèle de service, nous avons relié IA, compétences et mesure de la performance — jusqu’à doubler la productivité des agents et atteindre un NPS de +82. _This post is for subscribers only._ ### Zurich Insurance: Evolving Service, Skills and Measurement Together URL: https://www.sheilamaceira.com/case-study-zurich-insurance/ Last updated: 2026-08-30T21:54:26.000Z Rising Contact Centre demand looked like a capacity problem. Reframing it as a service-model challenge connected AI, skills and performance measurement — doubling agent productivity and lifting NPS to +82. _This post is for subscribers only._ ### Youth Onboarding : de l’ouverture à l’usage réel URL: https://www.sheilamaceira.com/case-study-youth-onboarding-fr/ Last updated: 2026-09-16T14:22:28.000Z **Contexte professionnel* : Lloyds Banking Group · Everyday Banking Platform · Transformation digitale · Royaume-Uni · 2023–2025* *Read in* [*English*](https://www.sheilamaceira.com/case-study-youth-onboarding/)*.* > Quand les moyens sont contraints, l’objectif n’est pas de réduire l’ambition : c’est de réduire le coût de l’apprentissage, prouver ce qui fonctionne, puis investir là où la preuve le justifie. ### **Question** Comment apprendre, prouver et améliorer avec des moyens contraints ? ## **Résumé** L’équipe Youth Onboarding avait déjà corrigé de nombreux problèmes techniques, mais le taux de complétion restait insuffisant. Avec seulement quatre semaines et très peu de budget, j’ai élargi le diagnostic à l’expérience parent-enfant et privilégié quelques changements immédiatement testables. Le premier test a amélioré la conversion de 20 % et réduit les appels de 31 %, permettant d’obtenir davantage d’investissement. Une deuxième étape a ensuite déplacé l’attention de l’ouverture vers l’usage réel du compte d’épargne. --- ## **Le récit** Chez Lloyds, j’ai été sollicitée sur le parcours d’onboarding des jeunes alors que l’équipe avait déjà corrigé beaucoup de problèmes techniques, mais que le taux de complétion restait insuffisant. Le contexte était tendu : nous avions seulement quatre semaines avant une revue exécutive et pratiquement pas de budget pour lancer une discovery importante. Plutôt que de continuer à chercher uniquement des causes techniques, j’ai élargi le diagnostic avec UX, Research et Data pour regarder le parcours comme une expérience parent-enfant : marketing, communications, abandons, contraintes KYC, retours clients et appels au Service Client. Nous avons identifié plusieurs ruptures : langage peu adapté aux jeunes, contraintes documentaires communiquées trop tard, décalage entre une campagne marketing engageante et un onboarding beaucoup plus administratif, et parcours conçu essentiellement autour du parent. Compte tenu du délai, j’ai proposé de ne pas chercher immédiatement la refonte parfaite. Nous avons sélectionné quelques changements simples que nous pouvions tester rapidement : clarifier les critères d’éligibilité avant le démarrage, simplifier le langage, présenter les bénéfices du point de vue du parent et de l’enfant, et rendre visibles les autres canaux lorsque le digital ne pouvait pas traiter la situation. Le test a produit **+20 % de conversion onboarding et –31 % d’appels liés au parcours**. Surtout, ces résultats ont donné au Product Owner des preuves suffisamment solides pour obtenir davantage d’investissement et installer ensuite une équipe UX dédiée. Mais le projet a révélé un deuxième angle mort. **Historiquement, 48 % des jeunes n’avaient jamais approvisionné leur compte d’épargne. Nous pouvions donc réussir l’ouverture sans réussir l’adoption réelle.** Nous avons alors réutilisé les contenus d’éducation financière existants de la Bank Academy en les rendant plus contextualisés et adaptés aux différentes tranches d’âge. Cette deuxième étape a été associée à **+39 % de comptes jeunesse réactivés et +272 % de Product NPS par rapport à l’année précédente**. --- ## Compétences ### **Performance sous contrainte** A produit de l’apprentissage utile malgré un délai de quatre semaines et des moyens très limités. ### **Diagnostic élargi** A dépassé une lecture technique pour intégrer UX, comportements, communications et demande de service. ### **Expérimentation** A transformé rapidement les principales hypothèses en interventions testables et mesurables. ### **Priorisation & business case** A utilisé les premières preuves pour sécuriser davantage d’investissement. ### **Adoption** A distingué ouverture, activation et usage réel du produit. ### **Innovation pragmatique** A privilégié la réutilisation et la contextualisation d’assets existants avant d’investir dans de nouveaux contenus. --- ## **Impact** - **+20 %** de conversion onboarding - **–31 %** d’appels liés à l’onboarding - **+39 %** de comptes jeunesse réactivés - **+272 %** de Product NPS par rapport à l’année précédente --- **Note de confidentialité :** Cette étude de cas reflète mon expérience professionnelle. Certains détails opérationnels ont été simplifiés, agrégés ou omis afin de respecter la confidentialité commerciale. ### Youth Onboarding: From Account Opening to Real Use URL: https://www.sheilamaceira.com/case-study-youth-onboarding/ Last updated: 2026-09-02T13:59:41.000Z With four weeks and very limited budget, a broader look at the parent-and-child experience turned a stalled onboarding journey into measurable learning — improving conversion, reducing service demand and unlocking further investment. _This post is for subscribers only._ ### ISA Transfers : piloter la performance au-delà du parcours digital URL: https://www.sheilamaceira.com/case-study-isa-transfers-fr/ Last updated: 2026-09-16T14:22:39.000Z **Contexte professionnel* : Lloyds Banking Group · Everyday Banking Platform · Transformation digitale · Royaume-Uni · 2023–2025* *Read in* [*English*](https://www.sheilamaceira.com/case-study-isa-transfers/)*.* > La performance d’un parcours ne s’arrête pas là où s’arrête l’écran. Pour la piloter réellement, il faut suivre le service jusqu’au résultat attendu par le client et l’entreprise. ### **Question** Pilotons-nous le bon périmètre ? ## **Résumé** Malgré plusieurs améliorations apportées au parcours digital de transfert ISA, les sollicitations au Service Client restaient élevées. J’ai reconstruit le service de bout en bout et montré que le problème principal se situait après la soumission : clients et collaborateurs manquaient de visibilité sur l’avancement du transfert. Le diagnostic a permis d’élargir la roadmap vers le suivi de statut, les communications proactives et une meilleure visibilité opérationnelle. Les sollicitations liées aux transferts ont ensuite diminué de 32 %. --- ## **Le récit** Chez Lloyds, nous avions déjà beaucoup travaillé pour simplifier le transfert d’un compte ISA vers Lloyds. Pourtant, malgré les améliorations du parcours digital, les sollicitations au Service Client restaient élevées. C’est ce qui m’a fait penser que nous regardions probablement le problème au mauvais endroit. J’ai donc reconstruit le service de bout en bout en rapprochant données transactionnelles, comportement digital, retours clients et demande opérationnelle. Puis j’ai préparé avec le Product Owner un workshop réunissant les différentes équipes ISA, avec un objectif simple : comprendre le service complet avant que chacun cherche à optimiser son propre périmètre. Le point décisif est apparu assez vite. La soumission digitale fonctionnait mieux, mais une fois la demande envoyée, le client entrait dans une période d’incertitude : il avait peu de visibilité sur ce qui se passait, ne savait pas toujours où se trouvait son argent, et le Service Client lui-même n’avait pas toujours suffisamment d’informations pour répondre. **Le vrai parcours ne s’arrêtait donc pas à « demande envoyée ». Il allait jusqu’à l’arrivée effective des fonds.** À partir de là, nous avons élargi la roadmap : davantage de self-service après la demande, suivi de statut, communications proactives et meilleure visibilité pour les collaborateurs. Nous avons également utilisé les données du Service Client pour construire le business case et séquencer les releases. Le résultat le plus net a été une **baisse de 32 % des sollicitations liées aux transferts pendant la saison ISA suivante, par rapport aux cinq saisons précédentes**. Les plaintes digitales sont également devenues très rares, et le nouveau parcours a finalement été étendu aux collaborateurs du Service Client. --- ## Compétences ### **Performance de bout en bout** A élargi la lecture de la performance au-delà de la soumission digitale jusqu’au résultat réellement attendu. ### **Diagnostic transverse** A rapproché données transactionnelles, comportement digital, retours clients et demande opérationnelle. ### **Orchestration** A créé une compréhension commune du service entre des équipes responsables de différentes parties du parcours. ### **Produit & priorisation** A transformé le diagnostic en priorités de roadmap et utilisé la demande opérationnelle pour nourrir le business case. ### **Performance opérationnelle** A traité les sollicitations au Service Client comme un signal de performance du parcours, plutôt que comme un problème séparé. ### **Gestion des dépendances** A piloté la performance E2E malgré des composantes réglementaires et interbancaires hors du contrôle direct de Lloyds. --- ## **Impact** - **–32 % de sollicitations liées aux transferts** par rapport aux cinq saisons ISA précédentes - Plaintes liées au parcours digital devenues très rares - Nouveau parcours étendu aux collaborateurs du Service Client - Self-service et service assisté rapprochés autour d’une expérience commune --- **Note de confidentialité :** Cette étude de cas reflète mon expérience professionnelle. Certains détails opérationnels ont été simplifiés, agrégés ou omis afin de respecter la confidentialité commerciale. ### ISA Transfers: Managing Performance Beyond the Digital Journey URL: https://www.sheilamaceira.com/case-study-isa-transfers/ Last updated: 2026-08-30T22:00:46.000Z A better digital journey did not reduce service demand. Looking at the service end to end revealed that the real performance gap began after submission — leading to a 32% reduction in transfer-related contacts. _This post is for subscribers only._ ### One-Click Savings : de la conversion digitale à la performance métier réelle URL: https://www.sheilamaceira.com/case-study-one-click-savings-fr/ Last updated: 2026-09-16T14:22:08.000Z **Contexte professionnel* : Lloyds Banking Group · Everyday Banking Platform · Transformation digitale · Royaume-Uni · 2023–2025* *Read in* [*English*](https://www.sheilamaceira.com/case-study-one-click-savings/)*.* > *Une bonne conversion digitale ne suffit pas. La vraie question est de savoir si le parcours produit effectivement le résultat métier pour lequel il a été conçu.* ### **Question** Mesurons-nous le bon résultat ? ## **Résumé** One-Click Savings semblait bien performer sur les indicateurs de conversion, mais les nouveaux clients avaient encore du mal à approvisionner leur compte après l’ouverture. J’ai piloté un diagnostic transverse qui a permis de déplacer la mesure de la simple ouverture vers l’activation économique réelle : comptes approvisionnés, valeur des dépôts et délai jusqu’au financement. Les interventions retenues ont amélioré l’approvisionnement et réduit la demande d’aide. Le dashboard a ensuite été pérennisé et la méthode étendue à d’autres parcours. --- ## **Le récit** Chez Lloyds, nous avions lancé One-Click Savings pour simplifier l’ouverture de comptes d’épargne dans un marché devenu très concurrentiel. Les premiers indicateurs étaient encourageants : le parcours fonctionnait mieux et les ouvertures progressaient. Mais le premier reporting du MVP faisait apparaître un signal contradictoire : davantage de nouveaux clients contactaient le Service Client parce qu’ils avaient réussi à ouvrir leur compte, mais rencontraient ensuite des difficultés pour l’approvisionner. Le parcours semblait donc convertir correctement sans nécessairement produire la valeur attendue. J’ai porté ce problème auprès du leadership Everyday Banking et obtenu une petite équipe transverse réunissant Customer Journey, Data, UX et expertise Savings. En rapprochant données digitales et retours clients, nous avons identifié une rupture entre l’ouverture du compte et son premier usage : le compte n’était pas immédiatement disponible et le transfert d’argent n’était pas suffisamment fluide pour un nouveau client souhaitant apporter son épargne depuis une autre banque. Nous avons alors fait évoluer la mesure. Plutôt que suivre uniquement l’ouverture, nous avons distingué activation et approvisionnement, puis commencé à mesurer le nombre et la valeur des dépôts selon le délai après activation. Cette nouvelle lecture a permis de prioriser deux interventions pragmatiques : permettre au client de programmer son transfert dès que le compte devenait actif, et créer davantage de continuité entre ouverture et approvisionnement grâce à des notifications et des liens personnalisés. Après déploiement, davantage de comptes étaient approvisionnés rapidement, la valeur des dépôts réalisés dans les délais courts augmentait et les demandes d’aide après ouverture diminuaient nettement. **Surtout, le nouveau dashboard a été pérennisé et cette manière de mesurer la performance a ensuite été étendue au-delà du projet.** --- ## Compétences ### **Performance métier** A remis en question une lecture de la performance centrée sur la conversion pour la reconnecter à la valeur économique réellement créée. ### **KPI & Data** A fait évoluer le dashboard de l’ouverture vers l’activation, l’approvisionnement, la valeur et le délai jusqu’au premier dépôt. ### **Diagnostic de bout en bout** A combiné données digitales, retours clients et compréhension du parcours pour identifier une rupture qui n’était pas visible dans les KPI initiaux. ### **Leadership transverse** A mobilisé Customer Journey, Data, UX et métier Savings autour d’un diagnostic commun, sans ownership direct de la roadmap Produit. ### **Priorisation & gouvernance** A transformé le diagnostic en interventions arbitrables selon impact, effort, TTM, dépendances et risque. ### **Amélioration continue** A contribué à transformer un diagnostic ponctuel en capacité durable de pilotage de la performance. --- ## **Impact** - Davantage de comptes approvisionnés rapidement - Hausse de la valeur des dépôts dans les délais courts - Baisse importante des demandes d’aide après ouverture - Dashboard pérennisé et approche KPI étendue à d’autres parcours --- **Note de confidentialité :** Cette étude de cas reflète mon expérience professionnelle. Certains détails opérationnels ont été simplifiés, agrégés ou omis afin de respecter la confidentialité commerciale. ### One-Click Savings: From Digital Conversion to Real Business Performance URL: https://www.sheilamaceira.com/case-study-one-click-savings/ Last updated: 2026-08-30T22:02:13.000Z A strong conversion rate hid a deeper performance problem: customers were opening savings accounts but struggling to fund them. A new performance lens shifted the focus from opening to real economic activation. _This post is for subscribers only._ ### 50 hours of music, by accident URL: https://www.sheilamaceira.com/50-hours-of-music-by-accident/ Last updated: 2026-08-11T21:50:34.000Z I have once heard of the [*Ernst von Siemens Music Prize*](https://evs-musikstiftung.ch/en/?ref=sheilamaceira.com) but back then, for some reason, I missed the opportunity to explore it more deeply. As I read about it recently - in connection with the [2026 award given to the giant Jordi Savall](https://evs-musikstiftung.ch/en/music-prize/jordi-savall/jordi-savall-biography/?ref=sheilamaceira.com) \- I decided it was time. Somewhere along the way, the answer turned into a musical expedition. Starting with the prize’s remarkable list of laureates I eventually built not one but three listening journeys: - **The Doors Open** — familiar ways into extraordinary music; - **New Ways of Hearing** — where the language begins to change; - **At the Frontier** — music that asks the ears to venture further. This time, I added complete works rather than excerpts. The result: more than **50 hours of music I mostly don’t fully know yet**. Quite a great outcome for a question I asked out of curiosity. *Listen on Spotify:* ### The AI Paradox: Voice of the Customer and the Listening Layer of AI URL: https://www.sheilamaceira.com/article-the-listening-layer-of-ai/ Last updated: 2026-08-30T21:47:32.000Z ### **Many AI projects struggle to scale for reasons that extend beyond the model. One is the organisation’s failure to learn systematically from the people using them.** CX for AI · Season 2 · **S02A02** *Lire en* [*français*](https://www.sheilamaceira.com/article-la-couche-decoute-de-lia/)*.* The current wave of generative AI has created a strange paradox inside many organisations. AI adoption is often treated as a technology project. The real challenge, however, is infrastructural: building the system that allows organisations to learn from real interactions. The more companies automate interactions with AI, the less they seem to listen to the people using it — one of the hidden reasons many AI initiatives struggle to scale. Across industries, organisations have rushed to experiment with assistants, copilots and automated answers powered by large language models (LLMs). Yet research from organisations such as [MIT Sloan](https://sloanreview.mit.edu/audio-series/me-myself-and-ai/?ref=sheilamaceira.com), [McKinsey](https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai?ref=sheilamaceira.com), Stanford and [Gartner](https://www.gartner.com/en/articles/genai-project-failure?utm%5Fsource=chatgpt.com) points to a recurring pattern: many companies experiment with AI, but only a minority succeed in scaling these initiatives into everyday operations. **The model is only part of the problem. Often, the organisation simply does not learn fast enough.** In previous articles in the [*CX for AI series*](https://www.sheilamaceira.com/tag/cx-for-ai/), we explored how trust, confidence, inclusion and clarity shape the way people experience intelligent systems. In Season Two, the question shifts: if trust is no longer just a feeling but a system property, what infrastructure allows organisations to learn fast enough from real AI interactions? ## **The Myth: AI Automatically Creates Insight** A common assumption in the current AI wave is that AI systems naturally generate insight about users. Modern AI systems produce an enormous volume of signals: - prompts and questions - conversation logs - usage analytics - interaction patterns. But data alone is not insight. Without a structured way to interpret these signals, organisations accumulate data without learning. This is where an older discipline becomes unexpectedly critical: Voice of the Customer (VoC). ## **AI Systems Improve Through Experience Signals** Traditional software products improve through periodic releases. AI systems improve through continuous feedback loops. Every interaction generates signals about how people experience the system: - when users reformulate their question - when they verify the answer elsewhere - when they repeat the same question - when they abandon the interaction entirely. These are not technical metrics. **They are experience signals.** Without capturing and interpreting them, organisations cannot distinguish between: - a correct answer - an untrusted answer - an answer that creates confusion. In other words, the performance of an AI system depends not only on model quality, but on the organisation’s ability to listen. This is where the paradox of AI becomes visible. > “Organisations invest millions in models and infrastructure — yet often overlook the simplest mechanism that allows intelligent systems to improve:**listening.”** — Sheila Maceira > **FIELD INSIGHT** —**When AI Performance Is Not the Real Problem** > During a conversational AI transformation in an insurance service environment, early metrics looked strong: intent recognition rates were high and automation levels promising. Yet customer satisfaction did not improve. Interaction data revealed a different signal: customers repeatedly reformulated the same question. Technically the assistant had answered. Experientially, the answer did not inspire trust. Once these signals were incorporated into the improvement cycle — clarifying responses, improving explanations and escalation paths — the system improved rapidly. Outcome: customer satisfaction increased and repeated queries declined significantly. The model had not changed. The listening loop had. ## **The Forgotten Infrastructure: Voice of the Customer** Voice of the Customer programmes were originally designed to capture customer insight across channels: - surveys - support interactions - user research - behavioural analytics. > **In the era of AI, Voice of the Customer is no longer only about understanding customers. It becomes the learning infrastructure of intelligent systems.** A mature VoC capability connects signals that would otherwise remain fragmented: ![](https://storage.ghost.io/c/8a/aa/8aaa0e0e-79eb-42b5-8591-f4267f2bbe55/content/images/2026/08/S02A02---Where-Experience-Signals-Originate-Inside-Organisations.png) **Learning requires integrating signals across functions.** When these signals remain siloed, AI systems stagnate. When they are connected, organisations gain something more valuable than model performance: **learning velocity.** In the *CX for AI* series, we refer to this organisational capability as the ***Listening Layer of AI*.** > **FIELD INSIGHT** —**Adoption Signals Are Experience Signals** > In a banking environment, an internal AI assistant was introduced to help employees navigate complex internal knowledge. Early usage looked promising, but adoption quickly plateaued. Experience signals revealed the issue: employees hesitated when the assistant sounded confident but showed no sources or uncertainty. Once responses surfaced confidence levels and references, trust increased. Outcome: adoption grew significantly, internal NPS improved, and contact centre queries decreased as employees relied more on the assistant. Again, the model had not changed. The listening loop had. **This capability is also central to Responsible AI governance.** Many governance frameworks focus on principles, risk assessments, and model oversight. Yet responsible systems require detecting when users experience confusion, hesitation, or misplaced confidence. > Voice of the Customer provides this signal layer — helping organisations detect when an AI system is technically correct but experientially misleading — and intervene before small issues become systemic risks. ## **The Listening Layer Behind Successful AI Systems** Behind every successful AI deployment lies a simple mechanism, often invisible: **a listening loop**. In practice, these signals rarely live in one place. They are distributed across product, CX, support, infrastructure and AI teams — which is why many organisations struggle to learn from them. ![](https://storage.ghost.io/c/8a/aa/8aaa0e0e-79eb-42b5-8591-f4267f2bbe55/content/images/2026/08/S02A02---The-Listening-Layer-of-AI-1.png) Organisations that scale AI successfully build this loop deliberately. Those that struggle often skip it: **they optimise the model but never fully understand the experience**. ## **What This Means for Organisations** **As AI systems move from experimentation to operational deployment, Voice of the Customer becomes a strategic capability.** Not simply for understanding customers. But for enabling AI systems to learn safely and effectively in real environments. This requires new collaboration between functions that historically operated separately: - AI and data teams - product organisations - CX and customer insight teams - governance and risk functions. > Responsible AI is not only about compliance, it is also about organisational learning. ## **Conclusion: The AI Paradox** The more organisations automate interactions with AI, the more important listening becomes. **AI systems do not improve through data alone. They improve when organisations learn from experience—and experience lives in the Voice of the Customer.** In the age of AI, intelligence improves not only through better models, but through better listening. --- *Publication note: This essay is part of *CX for AI*, a series exploring the infrastructure of trust, demand and growth in AI-mediated markets. It was first published on* [*Medium*](https://medium.com/@sheila%5Fmac/the-ai-paradox-s02a02-dcf15216d3df?ref=sheilamaceira.com) *in March 2026.* ### Le paradoxe de l’IA : Voice of the Customer et la couche d’écoute de l’IA URL: https://www.sheilamaceira.com/article-la-couche-decoute-de-lia/ Last updated: 2026-08-30T21:48:28.000Z ### **De nombreux projets d’IA peinent à passer à l’échelle pour des raisons qui vont au-delà du modèle. L’une d’elles est l’incapacité de l’organisation à apprendre systématiquement des personnes qui les utilisent.** CX for AI · Saison 2 · **S02A01** *f* *Read in* [*English*](https://www.sheilamaceira.com/article-the-listening-layer-of-ai/)*.* La vague actuelle d’IA générative a créé un paradoxe étrange dans de nombreuses organisations. L’adoption de l’IA est souvent traitée comme un projet technologique. Le véritable défi est pourtant un défi d’infrastructure : construire le système qui permet aux organisations d’apprendre à partir d’interactions réelles. Plus les entreprises automatisent les interactions avec l’IA, moins elles semblent écouter les personnes qui l’utilisent — l’une des raisons cachées pour lesquelles tant d’initiatives d’IA peinent à passer à l’échelle. Dans de nombreux secteurs, les organisations se sont précipitées pour expérimenter des assistants, des copilotes IA et des réponses automatisées alimentées par des modèles de langage de grande taille (en anglais, LLM). Pourtant, les recherches menées par des organisations comme[ MIT Sloan](https://sloanreview.mit.edu/audio-series/me-myself-and-ai/?ref=sheilamaceira.com),[ McKinsey](https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai?ref=sheilamaceira.com), Stanford ou [Gartner](https://www.gartner.com/en/articles/genai-project-failure?utm%5Fsource=chatgpt.com) montrent un schéma récurrent : beaucoup d’entreprises expérimentent avec l’IA, mais seule une minorité parvient à déployer ces initiatives à grande échelle dans les opérations quotidiennes. **Le modèle n’est qu’une partie du problème. Souvent, l’organisation n’apprend tout simplement pas assez vite.** Dans les articles précédents de la série[ *CX for AI series*](https://www.sheilamaceira.com/tag/cx-for-ai/), nous avons exploré comment la confiance, la crédibilité, l’inclusion et la clarté façonnent la manière dont les individus vivent l’expérience des systèmes intelligents. Dans la Saison 2, la question évolue : si la confiance n’est plus seulement un ressenti mais une propriété du système, quelle infrastructure permet aux organisations d’apprendre suffisamment vite des interactions réelles avec l’IA ? ## **Le mythe : l’IA génère automatiquement de l’insight** Une idée répandue dans la vague actuelle de l’IA est que les systèmes d’IA génèrent naturellement des insights sur les utilisateurs. Les systèmes d’IA modernes produisent un volume considérable de signaux : - des prompts et des questions - des journaux de conversation - des analyses d’usage - des schémas d’interaction Mais les données seules ne sont pas de l’insight. Sans manière structurée d’interpréter ces signaux, les organisations accumulent des données sans apprendre. C’est là qu’une discipline plus ancienne devient soudain essentielle : la Voix du Client — ou, en anglais, **Voice of the Customer (VoC)**. ## **Les systèmes d’IA s’améliorent grâce aux signaux d’expérience** Les logiciels traditionnels s’améliorent par versions successives. Les systèmes d’IA, eux, s’améliorent grâce à des boucles de retour continues. Chaque interaction génère des signaux sur la manière dont les utilisateurs vivent l’expérience du système : - lorsque les utilisateurs reformulent leur question - lorsqu’ils vérifient la réponse ailleurs - lorsqu’ils reposent la même question - lorsqu’ils abandonnent complètement l’interaction Ce ne sont pas des métriques techniques. Ce sont **des signaux d’expérience**. Sans les capter et les interpréter, les organisations ne peuvent pas distinguer : - une réponse correcte - une réponse qui n’inspire pas confiance - une réponse qui crée de la confusion. Autrement dit, la performance d’un système d’IA ne dépend pas seulement de la qualité du modèle, mais aussi de la capacité de l’organisation à écouter. C’est là que le paradoxe de l’IA devient visible. > « Les organisations investissent des millions dans les modèles et les infrastructures — mais négligent souvent le mécanisme le plus simple qui permet aux systèmes intelligents de s’améliorer :**l’écoute**. » – Sheila Maceira > **RETOUR DE TERRAIN — Quand la performance de l’IA n’est pas le vrai problème** > Lors d’un programme de transformation en IA conversationnelle dans un environnement de service d’assurance, les premiers indicateurs semblaient solides : les taux de reconnaissance d’intention étaient élevés et le niveau d’automatisation prometteur. Pourtant, la satisfaction client n’a pas progressé. Les données d’interaction ont révélé un autre signal : les clients reformulaient la même question à plusieurs reprises. Techniquement, l’assistant avait répondu. Mais du point de vue de l’expérience, la réponse n’inspirait pas confiance. Une fois ces signaux intégrés dans le cycle d’amélioration — clarification des réponses, amélioration des explications et des parcours d’escalade — le système s’est amélioré rapidement. Résultat : la satisfaction client a augmenté et les requêtes répétées ont nettement diminué. *Le modèle n’avait pas changé. *La boucle d’écoute, si.** ## **L’infrastructure oubliée : la Voix du Client** Les programmes de Voice of the Customer ont été conçus à l’origine pour capter des insights clients à travers différents canaux : - des enquêtes - des interactions avec le support - la recherche utilisateur - des analyses comportementales **À l’ère de l’IA, la Voice of the Customer ne consiste plus seulement à comprendre les clients. Elle devient l’infrastructure d’apprentissage des systèmes intelligents.** Une capacité VoC mature permet de relier des signaux qui, autrement, resteraient fragmentés : ![](https://storage.ghost.io/c/8a/aa/8aaa0e0e-79eb-42b5-8591-f4267f2bbe55/content/images/2026/08/S02A02F---Les-signaux-de-lexperience.png) **Apprendre exige d’intégrer les signaux entre les différentes fonctions de l’organisation**. Lorsque ces signaux restent cloisonnés, les systèmes d’IA stagnent. Lorsqu’ils sont reliés, les organisations gagnent quelque chose de plus précieux que la performance du modèle : **la vitesse d’apprentissage**. Dans la série CX for AI, nous appelons cette capacité organisationnelle **la couche d’écoute de l’IA.** > **FIELD INSIGHT — Les signaux d’adoption sont des signaux d’expérience** > Dans un environnement bancaire, un assistant interne basé sur l’IA a été déployé pour aider les employés à naviguer dans une base de connaissances interne complexe. Les premiers indicateurs d’usage semblaient prometteurs, mais l’adoption a rapidement plafonné. Les signaux d’expérience ont révélé le problème : les employés hésitaient lorsque l’assistant répondait avec assurance, sans indiquer ses sources ni son niveau d’incertitude. Lorsque les réponses ont commencé à afficher des niveaux de confiance et des références, la confiance a augmenté. Résultat : l’adoption a progressé de manière significative, le NPS interne s’est amélioré et les demandes adressées au centre de contact ont diminué, les employés s’appuyant davantage sur l’assistant. > > Là encore, le modèle n’avait pas changé.**La boucle d’écoute, si.** Cette capacité est également centrale pour la gouvernance de l’IA responsable. De nombreux cadres de gouvernance se concentrent sur les principes, les évaluations de risques et la supervision des modèles. Pourtant, des systèmes responsables exigent de détecter lorsque les utilisateurs ressentent de la confusion, de l’hésitation ou une confiance mal placée. **La Voix du Client constitue cette couche de signal.** Elle aide les organisations à détecter lorsqu’un système d’IA est **techniquement correct mais expérientiellement trompeur** — et à intervenir avant que de petits problèmes ne deviennent des risques systémiques. ## **La couche d’écoute derrière les systèmes d’IA réussis** Derrière chaque déploiement réussi de l’IA se trouve un mécanisme simple, souvent invisible : **une boucle d’écoute**. En pratique, ces signaux se trouvent rarement au même endroit. Ils sont répartis entre les équipes produit, CX, support, infrastructure et IA — ce qui explique pourquoi de nombreuses organisations ont du mal à apprendre à partir de ces signaux. ![](https://storage.ghost.io/c/8a/aa/8aaa0e0e-79eb-42b5-8591-f4267f2bbe55/content/images/2026/08/S02A02F---La-couche-d---e--coute-de-l---IA.png) Les organisations qui réussissent à déployer l’IA à grande échelle construisent délibérément cette boucle. Celles qui rencontrent des difficultés font souvent l’impasse sur cette étape : elles optimisent le modèle, sans jamais comprendre pleinement l’expérience. ## **Ce que cela signifie pour les organisations** À mesure que les systèmes d’IA passent de l’expérimentation au déploiement opérationnel, la Voice of the Customer devient une capacité stratégique. Non seulement pour comprendre les clients, mais aussi pour permettre aux systèmes d’IA d’apprendre de manière sûre et efficace dans des environnements réels. Cela exige de nouvelles formes de collaboration entre des fonctions qui ont historiquement travaillé séparément : - équipes IA et data - organisations produit - équipes CX et customer insights - fonctions de gouvernance et de gestion des risques > **L’IA responsable ne concerne pas seulement la conformité ; elle concerne aussi l’apprentissage organisationnel.** ## **Conclusion : le paradoxe de l’IA** Plus les organisations automatisent les interactions avec l’IA, plus l’écoute devient essentielle. Les systèmes d’IA ne s’améliorent pas grâce aux seules données. Ils progressent lorsque les organisations apprennent de l’expérience — et cette expérience s’exprime dans la Voix du Client. À l’ère de l’IA, l’intelligence ne progresse pas uniquement grâce à de meilleurs modèles, mais grâce à une meilleure écoute. --- **Note de publication :** Cet essai fait partie de *CX for AI*, une série qui explore l’infrastructure de la confiance, de la demande et de la croissance dans les marchés médiés par l’IA. Il a été publié pour la première fois sur [Medium](https://medium.com/@sheila%5Fmac/le-paradoxe-de-lia-956ffed18e9a?ref=sheilamaceira.com) en mars 2026. ### When Growth Looks Busy but Feels Fragile URL: https://www.sheilamaceira.com/s02a01-when-growth-looks-busy-but-feels-fragile/ Last updated: 2026-08-30T21:53:06.000Z ### **Why AI exposes the missing infrastructure beneath modern marketing.** CX for AI · Season 2 · **S02A01** *Lire en* [*français*](https://www.sheilamaceira.com/s02a01f-quand-la-croissance-sagite-mais-reste-fragile/)*.* Something curious is happening in organisations that appear to be performing well. Products are shipping. Campaigns are running. Personalisation engines are active. AI is embedded across marketing, onboarding, and support. Dashboards suggest momentum. And yet, growth feels uncertain. Customers activate quickly but hesitate to commit. Pipelines fill, but momentum doesn’t convert into durability. Engagement looks healthy in the short term, then fades without obvious failure. Teams respond by optimising harder — more automation, more targeting, more experimentation — but the underlying unease remains. This is not a tooling problem. And it’s not a talent problem. It’s a structural one. > AI accelerates execution — and in doing so, it also exposes what isn’t there: the infrastructure needed to sustain meaning, trust, and continuity at scale. When that infrastructure is missing, activity increases, but belief does not. This article explores why many organisations confuse visible activity with structural readiness — and why AI makes that confusion impossible to ignore. ## **Activity is not infrastructure** Modern go-to-market systems have become exceptionally good at producing movement. Journeys are shorter. Messages are sharper. Touchpoints are optimised. AI helps generate, test, and adapt at speed. From the outside, everything looks active. But infrastructure is not what moves. Infrastructure is what holds. When demand is built on campaigns rather than structure, it depends on constant pressure to survive. The moment attention drops, confidence evaporates. This is why growth often feels like something that must be continually “kept alive” rather than something that compounds. Before AI, this fragility was easier to mask. Friction slowed exposure. With AI, acceleration is ruthless. Misalignment surfaces faster — not as bugs, but as hesitation. > If growth only holds while attention is actively applied, it isn’t holding at all. It’s being carried. If growth requires permanent urgency to sustain itself, you’re likely compensating for missing infrastructure. Healthy demand doesn’t need to be constantly re-convinced. ## **AI scales misalignment before it scales trust** AI is often described as a force for efficiency or intelligence. In practice, it amplifies whatever already exists. Alignment scales. So does misalignment. > When product intent, narrative, data usage, and customer experience are aligned, AI can accelerate trust formation. When they aren’t, AI accelerates erosion just as quickly. Personalised messages arrive faster than understanding. Journeys compress faster than readiness. Decisions appear automated before they feel legitimate. The result is not rejection. It’s **caution**. Customers don’t leave immediately. They linger. They delay. They return without committing. From a dashboard perspective, nothing looks broken. From a systems perspective, belief never fully forms. > Watch for repeated engagement without progression. It often signals not confusion, but unresolved trust — the system is moving faster than the person. ## **Demand can no longer be treated as episodic** Many go-to-market approaches still treat demand as episodic: a campaign, a conversion, a win. But in AI-mediated environments, demand behaves cumulatively. Each interaction updates an internal ledger of credibility. Each message either reinforces coherence — or discretely undermines it. This is why optimisation alone fails. You can improve each touchpoint and still degrade the whole. Without shared infrastructure — for meaning, consent, tone, and accountability — every interaction becomes a local optimisation with global cost. In this context, go-to-market stops being about persuasion. It becomes about coordination: ensuring that what is said, what is done, and what is inferred remain consistent over time. > When different teams optimise different parts of the journey without a shared model of trust, AI will expose the seams — long before customers articulate what feels off. ## **Naming the invisible layer** What’s missing in many organisations is not effort, creativity, or intelligence. It’s the invisible layer that allows all three to work together without friction. This layer doesn’t sit in one team. It isn’t a tool. And it rarely appears on a roadmap. It lives in how decisions are made, how messages are constrained, how data is justified, and how accountability is designed into experiences. When this layer is absent, execution becomes noisy. When it’s present, growth feels calmer — even when it’s ambitious. The challenge is that most organisations don’t know how to see it. They tend to feel its absence when growth starts to weaken. ## **Conclusion** AI is not breaking marketing. It is removing the illusion that activity alone is enough. As intelligence becomes automated, the real differentiator shifts from speed to structure — from execution to legitimacy. Demand that lasts is no longer something you generate. It’s something you support. In the articles that follow, we’ll explore this invisible layer more deliberately: how it forms, how it fails, and how organisations can recognise whether they’re building on foundations — or momentum alone. --- *Publication note: Part of *CX for AI*, a series exploring the infrastructure of trust, demand and growth in AI-mediated markets. It was first published on* [*Medium*](https://medium.com/@sheila%5Fmac/when-growth-looks-busy-but-feels-fragile-s02a01-4fcdbe62a3fd?ref=sheilamaceira.com) *in January 2026.* ### Quand la croissance s’agite mais reste fragile URL: https://www.sheilamaceira.com/s02a01f-quand-la-croissance-sagite-mais-reste-fragile/ Last updated: 2026-08-30T21:52:03.000Z ### **Pourquoi l’IA révèle l’infrastructure manquante du marketing contemporain.** CX for AI · Saison 2 · **S02A01** *f* *Read in* [*English*](https://www.sheilamaceira.com/s02a01-when-growth-looks-busy-but-feels-fragile/)*.* Quelque chose d’étrange se produit dans des organisations qui affichent pourtant de bons résultats. Les produits sont lancés. Les campagnes tournent. Les moteurs de personnalisation sont actifs. L’IA est intégrée au marketing, à l’onboarding et au support. Les tableaux de bord témoignent d’une forte activité. Et pourtant, la croissance reste incertaine. Les clients s’activent rapidement, mais hésitent à s’engager. Les pipelines commerciaux se remplissent, sans que cette dynamique ne devienne durable. L’engagement paraît sain à court terme, puis s’essouffle sans échec visible. Les équipes réagissent en optimisant davantage — plus d’automatisation, plus de ciblage, plus d’expérimentation — mais le malaise de fond persiste. Ce n’est pas un problème d’outils. Ce n’est pas un problème de talents. C’est un problème structurel. > L’IA accélère l’exécution — et, ce faisant, elle révèle aussi ce qui manque : l’infrastructure nécessaire pour soutenir le sens, la confiance et la continuité à l’échelle. Lorsque cette infrastructure fait défaut, l’activité augmente, mais l’adhésion ne suit pas. Cet article explore pourquoi tant d’organisations prennent l’activité visible pour de la solidité structurelle — et pourquoi l’IA rend cette confusion impossible à ignorer. ## **L’activité n’est pas une infrastructure** Les systèmes go-to-market modernes sont devenus extrêmement efficaces pour produire du mouvement. Les parcours sont plus courts. Les messages plus affûtés. Les points de contact optimisés. L’IA permet de générer, tester et adapter à grande vitesse. De l’extérieur, tout semble actif. Mais l’infrastructure n’est pas ce qui bouge. L’infrastructure est ce qui tient. Lorsque la demande repose sur des campagnes plutôt que sur une structure, elle dépend d’une pression constante pour survivre. Dès que l’attention retombe, la confiance s’évapore. C’est pourquoi la croissance ressemble souvent à quelque chose qu’il faut maintenir artificiellement, plutôt qu’à quelque chose qui se renforce naturellement. Avant l’IA, cette fragilité était plus facile à masquer. Les frictions en retardaient la mise au jour. Avec l’IA, l’accélération est implacable. Les désalignements apparaissent plus vite — non pas sous forme de bugs, mais sous forme d’hésitation. > Si la croissance ne tient que tant que l’attention est activement entretenue, alors elle ne tient pas vraiment : elle est soutenue à bout de bras. Si la croissance exige une urgence permanente pour se soutenir, c’est souvent que l’infrastructure manque. Une demande saine n’a pas besoin d’être constamment sans cesse réactivée. ## **L’IA amplifie le désalignement avant de renforcer la confiance** L’IA est souvent présentée comme un moteur d’efficacité ou d’intelligence. En pratique, elle amplifie ce qui existe déjà. L’alignement se déploie à grande échelle. Le désalignement aussi. Lorsque la vision du produit, le récit, l’usage des données et l’expérience client sont alignés, l’IA peut accélérer la construction de la confiance. Lorsqu’ils ne le sont pas, l’IA accélère tout aussi vite l’érosion. Les messages personnalisés arrivent plus vite que la compréhension. Les parcours se raccourcissent plus vite que les clients ne se sentent prêts. Les décisions paraissent automatisées avant d’être perçues comme légitimes. Le résultat n’est pas un rejet. C’est une forme de **prudence**. Les clients ne partent pas immédiatement. Ils restent en suspens. Ils repoussent. Ils reviennent sans s’engager. Du point de vue des tableaux de bord, rien ne semble cassé. Du point de vue du système, l’adhésion ne se forme jamais pleinement. > Des interactions répétées sans progression signalent souvent non pas une incompréhension, mais une confiance qui reste en suspens : le système avance plus vite que la personne. ## **La demande ne doit plus être traitée comme épisodique** De nombreuses approches go-to-market continuent de traiter la demande comme un phénomène ponctuel : une campagne, une conversion, une succès. Mais dans des environnements où l’IA intervient, la demande se comporte de manière cumulative. Chaque interaction met à jour un registre interne de crédibilité. Chaque message renforce la cohérence — ou la fragilise silencieusement. C’est pourquoi l’optimisation seule échoue. On peut améliorer chaque point de contact tout en dégradant l’ensemble. Sans infrastructure partagée — pour le sens, le consentement, le ton et la responsabilité — chaque interaction devient une optimisation locale aux prix d'un coût global. Dans ce contexte, le go-to-market cesse d’être une affaire de persuasion. Il devient une affaire de coordination : s’assurer que ce qui est dit, ce qui est fait et ce qui est inféré restent cohérents dans le temps. > Lorsque différentes équipes optimisent différentes parties du parcours sans modèle commun de la confiance, l’IA mettra au jour les incohérences — bien avant que les clients puissent formuler ce qui cloche. ## **Nommer la couche invisible** Ce qui manque à beaucoup d’organisations, ce n’est ni l’effort, ni la créativité, ni l’intelligence. C’est la couche invisible qui permet aux trois de fonctionner ensemble, sans friction. Cette couche n’appartient à aucune équipe. Ce n’est pas un outil. Et elle apparaît rarement sur une feuille de route. Elle se loge dans la manière dont les décisions sont prises, dont les messages sont encadrés, dont l’usage des données est justifié, et dont la responsabilité est intégrée aux expériences. Lorsqu’elle est absente, l’exécution devient bruyante. Lorsqu’elle est présente, la croissance paraît plus calme — même lorsqu’elle est ambitieuse. Le défi, c’est que la plupart des organisations ne savent pas la voir. Elles en ressentent surtout l’absence lorsque la croissance commence à s’affaiblir. ## **Conclusion** L’IA n’est pas ce qui fragilise le marketing. Elle dissipe l’illusion selon laquelle l’activité suffirait. À mesure que l’intelligence s’automatise, le véritable facteur différenciant se déplace de la vitesse vers la structure — de l’exécution vers la légitimité. Une demande durable n’est plus quelque chose que l’on génère. C’est quelque chose que l’on soutient. Dans les articles à venir, nous explorerons plus précisément cette couche invisible : comment elle se forme, comment elle échoue, et comment les organisations peuvent reconnaître si elles construisent sur des fondations — ou sur le seul élan du moment. --- Note de publication : Cet essai fait partie de CX for AI, une série qui explore l’infrastructure de la confiance, de la demande et de la croissance dans les marchés façonnés par l’IA*. Il a été publié pour la première fois sur* [*Medium*](https://medium.com/@sheila%5Fmac/quand-la-croissance-sagite-mais-reste-fragile-561b14851aa9?ref=sheilamaceira.com) *en janvier 2026.* ### Au-delà de l’activation : un nouveau tableau de bord pour mesurer l’onboarding assisté par l’IA URL: https://www.sheilamaceira.com/s01a12f-au-dela-de-lactivation/ Last updated: 2026-08-10T13:23:11.000Z ### **Pourquoi la mesure de la performance de l’onboarding doit relier finalisation du parcours, compréhension, premier bénéfice concret et engagement dans la durée.** CX for AI · Saison 1 · **S01A12** *f* Un client peut aller jusqu’au bout de son onboarding, réussir les contrôles d’identité et ouvrir un compte sans jamais obtenir le premier bénéfice concret. L’entonnoir de conversion enregistre un succès. La relation, elle, peut ne jamais vraiment commencer. C’est toute la limite des indicateurs d’activation. Ils montrent qu’une personne a avancé dans le parcours, mais pas nécessairement qu’elle a compris le service, accompli l’action décisive suivante ou continué à en retirer de la valeur. L’IA rend cette distinction encore plus importante. Une interaction fluide et personnalisée peut sembler aboutie tout en laissant subsister des incertitudes. L’automatisation peut supprimer des frictions, mais aussi les concentrer dans un parcours plus rapide. L’activation marque donc une étape, pas le résultat final. ## **Quand aller au bout du parcours ne suffit pas** Les indicateurs traditionnels de l’onboarding restent essentiels. Taux de finalisation, abandons, délais de traitement, erreurs et conversion indiquent aux organisations si les clients parviennent à progresser dans le parcours. Ils révèlent les lenteurs, les défaillances techniques et les points de friction les plus manifestes. Mais ils ne racontent pas toute l’histoire de la performance. Un client peut terminer le processus sans comprendre une condition importante. Un compte peut être ouvert sans jamais être utilisé. Une configuration peut être acceptée sans que le service attendu soit activé. Un parcours digital peut paraître efficace tout en générant ailleurs des questions et des sollicitations auprès des canaux assistés. Comme le soulignait Tristan Hugo-Webb, spécialiste de la fintech, dans l’article original, il ne faut pas abandonner les indicateurs classiques de finalisation. Ils sont nécessaires, mais ne suffisent plus. La question suivante est donc : qu’a réellement permis l’onboarding ? Le client a-t-il compris le produit et la décision à prendre ? A-t-il obtenu le premier bénéfice concret ? Savait-il quoi faire ensuite ? Son engagement s’est-il poursuivi une fois le parcours immédiat terminé ? > *La vitesse mesure le mouvement, pas la compréhension.* # **Ce qui se passe après l’ouverture du compte** J’ai rencontré cette distinction en travaillant sur la performance d’un parcours digital d’épargne entièrement repensé chez Lloyds Banking Group. Le nouveau parcours avait produit des améliorations substantielles : l’ouverture de compte était 60 % plus rapide et la conversion digitale avait progressé de 40 %. Ces résultats étaient réels. Mais les données recueillies après le lancement ont révélé un angle mort important. Davantage de clients ouvraient un compte. Pourtant, un compte ouvert n’était pas nécessairement un compte alimenté ou véritablement utilisé. L’entonnoir digital s’arrêtait à l’ouverture réussie. Du point de vue du client, ce n’était pourtant que le début. Pour que le résultat attendu soit atteint, il fallait que de l’argent arrive sur le compte et que le client commence à utiliser le produit. J’ai porté ce constat auprès de la direction et contribué à mettre en place une approche de mesure transversale, reliant l’entonnoir digital aux données de transaction, aux retours clients et aux sollicitations adressées aux canaux assistés. La mesure de la performance ne s’est alors plus limitée aux ouvertures de compte. Elle a également intégré : - les comptes alimentés après sept et trente jours ; - la collecte nette ; - les virements externes ; - les usages ultérieurs du produit ; - l’intensité de la relation globale du client avec la banque. Cette nouvelle lecture a modifié les priorités d’amélioration. Une aide contextuelle et un rappel ciblé ont été testés pour accompagner les clients après l’ouverture, augmentant de 23 % le taux de comptes alimentés à J+7. Ce parcours ne faisait pas appel à l’IA. Sa pertinence est plus fondamentale : un onboarding plus rapide peut améliorer la performance sans en raconter toute l’histoire. L’IA n’invalide pas cette leçon. Elle rend simplement plus facile à négliger l’écart entre une finalisation apparente et une activation effective. ## **Ce que change l’IA** L’IA peut rendre l’onboarding plus réactif. Un système conversationnel peut adapter une explication, répondre à une question, traduire un langage complexe ou repérer qu’une personne semble avoir besoin d’aide. Il peut réduire l’effort nécessaire pour naviguer dans un processus conçu autour de règles et de séquences fixes. Mais l’IA introduit aussi de la variabilité. Deux clients peuvent recevoir des explications différentes. Une réponse peut paraître assurée sans être exacte ni suffisamment claire. Le système peut déduire qu’une question a reçu une réponse alors que le client reste incertain. Une conversation fluide peut donner l’impression que le client a compris sans que cette compréhension ait été vérifiée. Cela produit de nouvelles données, mais aussi de nouvelles incertitudes. Les organisations doivent examiner : - les questions que les clients posent de manière répétée ; - les moments où le système demande une clarification ou ne comprend pas ; - la capacité des explications à améliorer la compréhension ; - la fréquence à laquelle les clients corrigent ou contestent une réponse ; - la préservation du contexte lors du passage de relais vers un interlocuteur humain ; - l’existence éventuelle de différences importantes dans les conseils fournis ; - ce qui se passe après l’interaction assistée par l’IA. > *Les données de télémétrie peuvent montrer ce que le système a fait. Pour comprendre ce que ce comportement signifie, il faut encore les relier aux données clients, opérationnelles et de résultat.* ## **Les signaux ne sont pas des conclusions** Les données d’ingénierie peuvent révéler des frictions avant qu’elles ne deviennent visibles dans un entonnoir de conversion classique. Comme l’explique Augusto Uehara, dirigeant senior dans le domaine des technologies : > « Dans l’onboarding, la perte d’un client résulte rarement d’une seule interaction. Les équipes d’ingénierie repèrent l’hésitation bien avant qu’elle n’apparaisse dans l’entonnoir : tentatives répétées, boucles silencieuses, pics de latence et micro-erreurs qui n’atteignent jamais un tableau de bord. La maturité technique du système et la disposition du client à avancer ne constituent pas le même signal. C’est précisément dans l’écart entre les deux que se joue la confiance. » (Traduction de l’anglais) Les tentatives répétées, les boucles et la latence sont des signaux précieux. Mais il ne faut pas les interpréter comme des mesures directes d’une émotion. Une nouvelle tentative peut signaler une incompréhension, une défaillance technique ou une session interrompue. Une pause peut traduire une hésitation, une comparaison ou une simple distraction du quotidien. Des questions répétées peuvent révéler une explication peu claire — ou un client qui vérifie soigneusement une décision importante. Les données d’ingénierie deviennent particulièrement utiles lorsqu’elles sont croisées avec les comportements observés dans le parcours, les retours clients et les résultats ultérieurs. Les comportements produisent des signaux, pas des conclusions. ## **La confiance doit être étudiée, non réduite à un score** La confiance compte dans l’onboarding. Le client doit avoir suffisamment confiance dans le service, dans la décision à prendre et dans sa propre capacité à avancer. Mais qualifier la confiance d’indicateur de performance ne la rend pas directement mesurable. Une personne qui demande l’aide d’un conseiller peut être à l’aise avec le fait de solliciter de l’aide — ou avoir épuisé toutes les autres options. Un client qui revient peut avoir acquis de la confiance, ou tenter de résoudre un problème antérieur. Un parcours mené à son terme peut refléter de la clarté, de la persévérance ou de la résignation. La confiance doit donc être étudiée en combinant : - les comportements observés ; - la recherche directe auprès des clients ; - les tests de compréhension ; - les données opérationnelles ; - les interactions avec le support ; - les usages et résultats ultérieurs. L’objectif n’est pas de calculer un score universel de confiance. Il est de déterminer si l’onboarding laisse les clients suffisamment informés et outillés pour accomplir la prochaine action décisive. ## **Un tableau de bord de performance au-delà de l’activation** Un tableau de bord plus robuste relie le parcours immédiat à ce qui se passe ensuite. | Dimension de la performance | Question | Données possibles | | ------------------------------ | ------------------------------------------------------------------------------------------- | ------------------------------------------------------------------------------------------------------------------ | | Mécanique du parcours | Les clients peuvent-ils entrer dans le processus et aller jusqu’au bout ? | Finalisation, durée, abandons, erreurs et nouvelles tentatives | | Compréhension par le client | Les clients comprennent-ils le produit, la décision et l’étape suivante ? | Tests de compréhension, demandes de clarification, corrections, recherche et retours clients | | Activation effective | L’onboarding conduit-il au premier résultat utile ? | Compte alimenté, première transaction, configuration réussie ou tâche accomplie | | Continuité | Les clients poursuivent-ils leur engagement après l’événement initial ? | Usage à sept et trente jours, deuxième action décisive et continuité de l’engagement | | Demande assistée et résolution | Où l’effort se déplace-t-il — et les clients parviennent-ils à résoudre leurs difficultés ? | Contacts avec les canaux assistés, contacts répétés, passages de relais, résolution et reprise réussie du parcours | | Écarts de performance | Les résultats diffèrent-ils sensiblement pour certains clients ? | Analyse des indicateurs précédents par cohorte pertinente ou besoin d’accessibilité | Les données précises dépendront du produit et du résultat attendu. Pour un compte d’épargne, l’activation effective peut correspondre au premier dépôt. Pour un service d’assistance aux salariés, ce peut être la résolution réussie d’une demande. Pour une plateforme destinée aux entreprises, il peut s’agir d’accomplir la première tâche opérationnelle ou de connecter les données nécessaires à l’utilisation du service. Le principe reste le même : définir le premier résultat client qui démontre que l’on est allé au-delà d’une simple formalité administrative. ## **Croiser les données** Aucun indicateur ne peut, à lui seul, expliquer la performance de l’onboarding. Un taux de finalisation élevé associé à une faible activation effective suggère que le parcours est efficace, mais qu’il ne produit pas le résultat attendu. Une activation forte accompagnée de nombreux contacts répétés peut indiquer qu’une complexité non résolue a simplement été déplacée au-delà de l’onboarding. Un passage de relais réussi vers un interlocuteur humain peut être le signe d’une conception de service saine. Des escalades répétées, sans résolution, traduisent un échec. Un faible nombre de réclamations peut témoigner d’une bonne expérience — ou de clients qui ne savent pas comment contester le résultat. Des écarts entre des groupes de clients pertinents peuvent révéler des obstacles dissimulés par la moyenne globale. > *La valeur du tableau de bord réside dans ces relations. Il relie des données souvent dispersées entre plusieurs équipes : l’analyse des parcours côté Produit, les transactions côté Opérations, les questions côté Service client, les événements techniques côté Ingénierie et la compréhension des clients côté Recherche ou Expérience.* La performance de l’onboarding devient plus lisible lorsque ces signaux peuvent être examinés comme les différentes dimensions d’un même résultat, plutôt que comme des mesures isolées propres à chaque département. ## **De la mesure à l’amélioration** Élargir le tableau de bord ne doit pas devenir une invitation à collecter toutes les données disponibles. Le point de départ doit être le résultat attendu pour le client. Les dirigeants devraient pouvoir répondre à six questions : 1. Quel est le premier résultat concret que l’onboarding doit permettre ? 2. Que doit comprendre le client pour l’atteindre ? 3. Quelles données observables signaleraient une progression ou une difficulté ? 4. Où l’effort ou l’échec pourraient-ils réapparaître ailleurs dans le service ? 5. Certains clients obtiennent-ils des résultats sensiblement différents ? 6. Quelle décision l’organisation prendra-t-elle si les données évoluent ? Cette dernière question est essentielle. La mesure ne crée de la valeur que lorsqu’elle modifie les priorités, déclenche une investigation ou conduit à l’action. Un tableau de bord montrant une faible activation à J+7 n’est pas un résultat en soi. L’organisation doit en déterminer la cause, tester une intervention et établir si le changement a amélioré la performance. Le tableau de bord n’est donc pas un simple outil de reporting. C’est un cadre qui relie les données, les décisions et l’apprentissage. # **Faire de la compréhension du client un résultat de performance** Dans les services financiers britanniques, cette discipline de mesure élargie est également cohérente avec le *Consumer Duty*. La compréhension par le client constitue l’un de ses quatre résultats attendus. Les entreprises doivent aider les particuliers à prendre des décisions efficaces, au bon moment et en connaissance de cause. Elles doivent aussi, lorsque cela est pertinent, tester, suivre et adapter leurs communications. [L’étude publiée par la FCA en mars 2026](https://www.fca.org.uk/publications/good-and-poor-practice/consumer-understanding-good-practice-areas-improvement?ref=sheilamaceira.com) met en avant le recours à plusieurs sources : réclamations, écoute d’appels, transcriptions de conversations, analyse des sites web, données d’abandon, enquêtes et tests directs de compréhension. Elle met également en garde contre le fait d’interpréter les ventes ou l’absence de réclamations comme une preuve que les clients ont compris. La portée de ce constat dépasse la conformité réglementaire. Collecter des indicateurs ne démontre pas que les clients obtiennent de bons résultats. Une organisation doit être capable d’expliquer ce que signifient les données, quelles actions ont suivi et si ces actions ont amélioré le résultat. C’est précisément la discipline dont l’onboarding a besoin : non pas davantage d’indicateurs, mais une explication cohérente de la manière dont le parcours contribue au résultat attendu pour le client. # **Et ensuite ?** L’activation prouve qu’un parcours a été mené à son terme. Elle ne prouve pas que le client a compris le service, obtenu un bénéfice concret ou s’est senti en mesure de poursuivre. L’IA rend cette distinction encore plus importante, car une interaction fluide peut donner une impression de clarté et de personnalisation avant que l’une ou l’autre n’ait été démontrée. La question de la performance se déplace donc : **de :** Avec quelle rapidité les clients ont-ils terminé leur onboarding ? **à :** Qu’ont-ils ensuite été capables et désireux de faire — et quelles données montrent que l’onboarding les y a aidés ? Les meilleurs parcours d’onboarding ne se contentent pas d’accélérer l’entrée dans le service. Ils rendent l’action décisive suivante plus compréhensible, plus accessible et plus facile à inscrire dans la durée. --- *Note de publication : Cet essai fait partie de *CX for AI*, une série qui explore l’infrastructure de la confiance, de la demande et de la croissance dans les marchés façonnés par l’IA. Il reprend et actualise en profondeur «*[ *Beyond Activation: The New Scorecard for AI-Enabled Onboarding*](https://tinyurl.com/beyond-activation?ref=sheilamaceira.com) *» (en anglais), publié pour la première fois sur Medium en décembre 2025.* ### C'est parti ! URL: https://www.sheilamaceira.com/testing-carnets/ Last updated: 2026-09-16T14:24:48.000Z There is no particular order to *Carnets*. It brings together drawings, photographs, fragments of writing and other things I have made or kept safe over the years. I am beginning with a deliberately mixed handful: flowers drawn and photographed, a London memory, and a small observation about British life. They belong to different moments and were made for different reasons. What connects them is simply that I chose not to let them disappear. ![](https://storage.ghost.io/c/8a/aa/8aaa0e0e-79eb-42b5-8591-f4267f2bbe55/content/images/2026/08/Drawing-VanGogh.jpeg) ![](https://storage.ghost.io/c/8a/aa/8aaa0e0e-79eb-42b5-8591-f4267f2bbe55/content/images/2026/08/Humour---UK.png) ![](https://storage.ghost.io/c/8a/aa/8aaa0e0e-79eb-42b5-8591-f4267f2bbe55/content/images/2026/08/Saint-Paul.jpeg) ![](https://storage.ghost.io/c/8a/aa/8aaa0e0e-79eb-42b5-8591-f4267f2bbe55/content/images/2026/08/Fleurs.jpeg) 1) Colourful vase of flowers (where drawing began); 2) The humour in Britain; 3) Sketching in London; 4) Photographing in Paris ### Beyond Activation: The New Scorecard for AI-Enabled Onboarding URL: https://www.sheilamaceira.com/s01a12-beyond-activation-the-new-scorecard-for-ai-enabled-onboarding/ Last updated: 2026-08-10T13:22:02.000Z ### **Why onboarding performance should connect completion, understanding, early value and continued participation.** CX for AI · Season 1 · **S01A12** A customer can complete onboarding, pass identity verification and open an account without ever reaching the first useful outcome. The funnel records success. The relationship may never really begin. This is the limitation of activation metrics. They show that someone moved through the journey, but not necessarily that they understood the service, completed the next meaningful action or continued receiving value from it. AI makes this distinction more important. A fluent, personalised interaction can feel complete while leaving uncertainty unresolved. Automation can remove friction, but it can also compress it into a faster journey. Activation is therefore a milestone—not the outcome. ## **When completion is not enough** Traditional onboarding measures remain essential. Completion, abandonment, processing time, errors and conversion tell organisations whether people can move through the journey. They expose delays, technical failures and obvious points of friction. They do not, however, tell the whole performance story. A customer may complete the process without understanding an important condition. An account may be opened but never used. A configuration may be accepted without enabling the intended service. A digital journey may appear efficient while generating questions and assisted-demand elsewhere. As fintech adviser Tristan Hugo-Webb observed in the original article, established completion metrics should not be abandoned. They are necessary—but no longer sufficient. The next question is what onboarding enabled. Did the customer understand the product and the decision? Did they reach the first useful outcome? Did they know what to do next? Did participation continue once the immediate journey had ended? Speed measures movement, not understanding. ## **The gap after account opening** I encountered this distinction while working on the performance of a redesigned digital savings journey at Lloyds Banking Group. The journey had delivered substantial improvements: account opening was 60% faster and digital conversion increased by 40%. Those were real results. But post-launch evidence revealed an important blind spot. More customers were opening accounts, yet an opened account was not necessarily a funded or meaningfully used account. The digital funnel ended at a successful opening. From the customer’s perspective, however, that was only the beginning. The intended outcome required money to reach the account and the customer to begin using the product. I brought that gap to leadership and helped establish a cross-functional measurement approach connecting the digital funnel with transaction data, customer feedback and assisted-channel demand. The performance view expanded beyond account openings to include: - funded accounts after seven and thirty days; - net new deposits; - external transfers; - subsequent product use; - depth of the wider customer relationship. This changed the improvement priorities. Contextual help and a targeted reminder were tested to support customers after opening, increasing seven-day account funding by 23%. The journey was not AI-enabled. Its relevance is more fundamental: a faster onboarding process can improve performance without representing the whole performance story. AI does not invalidate that lesson. It makes the gap between apparent completion and meaningful activation easier to overlook. ## **What AI changes** AI-enabled onboarding can make a journey more responsive. A conversational system may adapt an explanation, answer a question, translate complex language or recognise that someone appears to need help. It can reduce the effort required to navigate a process designed around rules and fixed sequences. But AI also introduces variability. Different customers may receive different explanations. A response can sound authoritative without being accurate or sufficiently clear. The system may infer that a question has been answered when the customer remains uncertain. A seamless conversation may create the appearance of understanding without verifying it. This creates additional evidence—and additional uncertainty. Organisations need to examine: - which questions customers repeatedly ask; - where the system requests clarification or fails to understand; - whether explanations improve comprehension; - how often customers correct or challenge an answer; - whether human hand-offs preserve the existing context; - whether materially different guidance is being provided; - what happens after the AI-assisted interaction. > AI telemetry can show what the system did. Customer, operational and outcome evidence is still required to understand what that behaviour meant. ## **Signals are not conclusions** Engineering evidence can reveal friction before it becomes visible in a conventional funnel. As Augusto Uehara, a senior technology leader, puts it: > “In onboarding, churn rarely comes from a single interaction. Engineering teams see hesitation long before it appears in the funnel—in retries, silent loops, latency spikes, and micro-errors that never reach a dashboard. Technical readiness and customer readiness are not the same signal, and confidence sits exactly in the gap between them.” Retries, loops and latency are valuable signals. But they should not be interpreted as direct measures of emotion. A retry may indicate confusion, a technical failure or an interrupted session. A pause may reflect hesitation, comparison or an everyday distraction. Repeated questions may expose an unclear explanation—or a customer carefully checking an important decision. Engineering evidence becomes most useful when combined with journey behaviour, customer feedback and subsequent outcomes. Behaviour creates signals, not conclusions. ## **Confidence should be investigated, not scored** Confidence matters in onboarding. Customers need sufficient confidence in the service, the decision and their own ability to proceed. But calling confidence a KPI does not make it directly measurable. Someone who requests human support may feel comfortable asking for help—or may have exhausted every other option. A returning customer may have developed confidence, or may be attempting to resolve an earlier problem. A completed journey may reflect clarity, persistence or resignation. Confidence should therefore be investigated through a combination of: - observed behaviour; - direct customer research; - comprehension testing; - operational evidence; - support interactions; - subsequent use and outcomes. The objective is not to calculate a universal confidence score. It is to determine whether onboarding leaves people sufficiently informed and equipped to take the next meaningful step. ## **A performance scorecard beyond activation** A stronger onboarding scorecard connects the immediate journey with what happens afterwards. | Performance dimension | Question | Possible evidence | | --------------------------- | ----------------------------------------------------------- | --------------------------------------------------------------------------------- | | Journey mechanics | Can people enter and complete the process? | Completion, time, abandonment, errors and retries | | Customer understanding | Do people understand the product, decision and next step? | Comprehension testing, clarifying questions, corrections, research and feedback | | Meaningful activation | Did onboarding lead to the first useful outcome? | Funded account, first transaction, successful configuration or completed task | | Continuity | Do people continue after the initial event? | Seven- and thirty-day use, second meaningful action and retained participation | | Service demand and recovery | Where is effort being displaced—and can customers recover? | Assisted contacts, repeat contacts, hand-offs, resolution and successful recovery | | Distributional performance | Are outcomes materially different for particular customers? | The preceding indicators examined by relevant cohort or access need | The precise evidence will depend on the product and its intended outcome. Meaningful activation for a savings account may be the first deposit. For an employee-support service, it may be the successful resolution of a request. For a business platform, it may be completing the first operational task or connecting the data required to use the service. The principle remains the same: define the first customer outcome that demonstrates more than administrative completion. ## **Reading the evidence together** No single indicator can explain onboarding performance. High completion combined with weak meaningful activation suggests that the journey is efficient but not producing the intended outcome. Strong activation accompanied by high repeat-contact demand may indicate that unresolved complexity has been displaced beyond onboarding. A successful human hand-off can represent healthy service design. Repeated escalation without resolution represents failure. Low complaints may reflect a good experience—or customers who do not know how to question the outcome. Different results across relevant customer groups may reveal barriers concealed by the overall average. > *The value of the scorecard lies in these relationships. It connects evidence that often sits in separate teams: journey analytics in Product, transactions in Operations, questions in Customer Care, technical events in Engineering and customer understanding in Research or Experience.* Onboarding performance becomes clearer when those signals can be reviewed as one outcome rather than as isolated departmental measures. ## **From measurement to improvement** A broader scorecard should not become an invitation to collect every available data point. It should begin with the intended customer outcome. Leaders should be able to answer: 1. What is the first meaningful result onboarding should enable? 2. What must the customer understand to reach it? 3. Which observable evidence would indicate progress or difficulty? 4. Where might effort or failure reappear elsewhere in the service? 5. Are particular customers experiencing materially different outcomes? 6. What decision will the organisation make when the evidence changes? This last question is critical. Measurement creates value only when it changes priorities, prompts investigation or leads to action. A dashboard showing weak seven-day activation is not an outcome. The organisation must determine why it is happening, test an intervention and establish whether the change improved performance. The scorecard is therefore not simply a reporting mechanism. It is a framework for connecting evidence, decisions and learning. ## **Customer understanding as a performance outcome** In UK financial services, this broader measurement discipline is also consistent with the Consumer Duty. Customer understanding is one of its four outcomes. Firms are expected to help retail customers make effective, timely and properly informed decisions—and to test, monitor and adapt their communications where appropriate. The FCA’s March 2026 review highlights the use of multiple sources, including complaints, call listening, chat transcripts, website analytics, drop-off data, surveys and direct comprehension testing. It also warns against relying on sales or the absence of complaints as evidence that customers understand.[ FCA consumer-understanding review](https://www.fca.org.uk/publications/good-and-poor-practice/consumer-understanding-good-practice-areas-improvement?ref=sheilamaceira.com) The implication reaches beyond regulatory compliance. Collecting metrics does not demonstrate that customers are receiving good outcomes. An organisation must explain what the evidence means, what action followed and whether that action improved the result. That is precisely the discipline onboarding requires: not more indicators, but a coherent account of how the journey contributes to the intended customer outcome. ## **What happens next?** Activation proves that a journey was completed. It does not prove that the customer understood the service, reached meaningful value or felt able to continue. AI makes this distinction more important because a fluent interaction can create the appearance of clarity and personalisation before either has been demonstrated. The performance question therefore shifts: - from: *How quickly did people complete onboarding?* - to: *What were they able and willing to do next—and what evidence shows that onboarding helped them get there?* The best onboarding does more than accelerate entry: it makes the next meaningful action more understandable, more achievable and easier to sustain. --- *Publication note: Part of *CX for AI*, a series exploring the infrastructure of trust, demand and growth in AI-mediated markets. It revisits and substantially updates “*[***Beyond Activation: The New Scorecard for AI-Enabled Onboarding***](https://tinyurl.com/beyond-activation?ref=sheilamaceira.com)*”, first published on Medium in December 2025.* ### Start Here: A Guide to Sheila Maceira Journal URL: https://www.sheilamaceira.com/start-here-a-guide-to-smj/ Last updated: 2026-08-30T22:25:48.000Z **Sheila Maceira Journal brings together three complementary forms of exploration.** - **Perspectives** examines the forces shaping business performance—from customer experience and transformation to organisational design and AI. - **Work** brings together selected case studies and leadership practices, showing how customer and operational challenges were approached and what changed as a result. - **Carnets** follows a more personal path through culture, creativity and discovery, gathering notes on music, art and the things that invite closer attention. Different subjects and different rhythms, connected by the same curiosity about how we experience, interpret and shape the world around us. This guide offers a few places to begin. --- ## Perspectives I write to examine questions, not to claim to have all the answers: how organisations create value, why transformation succeeds or fails, and what experience can teach us. **Perspectives** brings together long-form essays on business performance, transformation, customer experience, organisational design and AI. These subjects are explored not as separate disciplines, but as interconnected parts of how organisations work—and how they might work better. ***Start here:*** - [**Bridging the Gap: Why Product-First AI Fails—and How Service Design Fixes It**](https://www.sheilamaceira.com/s01a05-bridging-the-gap-why-product-first-ai-fails/) Why a technically successful product can still create a poorly performing service. - [**Beyond Activation: The New Scorecard for AI-Enabled Onboarding**](https://www.sheilamaceira.com/s01a12-beyond-activation-the-new-scorecard-for-ai-enabled-onboarding/) Why activation alone cannot tell us whether adoption will last. - [**The AI Paradox: Voice of the Customer and the Listening Layer of AI**](https://www.sheilamaceira.com/article-the-listening-layer-of-ai/) Why organisations need stronger listening systems as AI scales their capacity to act. [**Explore all Perspectives**](https://sheilamaceira.com/tag/perspectives/?ref=sheilamaceira.com) --- ## Work Work is where ideas meet practice: selected case studies and leadership practices drawn from real transformation work across customer experience, operations, digital services and AI. The cases focus less on showcasing outputs than on the problem being solved, the evidence used, the choices made and the measurable change that followed. ***Start here:*** - [**One-Click Savings: From Digital Conversion to Real Business Performance**](https://www.sheilamaceira.com/case-study-one-click-savings/) How a conversion-led view of performance was extended to measure real economic activation. - [**Zurich Insurance: Evolving Service, Skills and Measurement Together**](https://www.sheilamaceira.com/case-study-zurich-insurance/) How a capacity problem became a broader transformation of service, skills and performance measurement. - [**Leadership Practices: Building Capability Within and Across Teams**](https://www.sheilamaceira.com/work-leadership-practices/) A set of repeatable practices for making learning, judgement and shared ownership part of everyday delivery. [**Explore Work**](https://www.sheilamaceira.com/tag/work/) --- ## CX for AI **CX for AI** is a dedicated series within *Perspectives*: long-form explorations of how AI changes the systems people rely on—from trust and customer experience to organisational design, legitimacy and growth. Published in seasons, the series examines the less visible conditions that determine whether AI-enabled products and services earn confidence, achieve adoption and create lasting value. The essays presented on **Sheila Maceira Journal** have been selected and substantially revised for their connection to business performance. [**Explore the CX for AI series**](https://www.sheilamaceira.com/tag/cx-for-ai/) --- ## Carnets Personal notes on places, journeys, memories, thoughts and the experiences that stay with us. **Carnets** follows curiosity wherever it leads: through cultural discoveries, creative pursuits, travel and everyday moments worth remembering. Some entries simply capture an experience; others gather the beginning of a longer exploration. Within the collection, dedicated paths bring together notes on [**Music**](https://www.sheilamaceira.com/tag/carnets-music/) and [**Arts & Crafts**](https://www.sheilamaceira.com/tag/carnets-arts-and-crafts/). [**Explore Carnets**](https://www.sheilamaceira.com/tag/carnets/) --- Wherever you begin, I hope the journal offers something worth pausing over—and perhaps a new question to carry with you. If you would like to follow what comes next, subscribe to receive new essays and notes from **Sheila Maceira Journal**. [**Subscribe to the Journal**](https://www.sheilamaceira.com/#/portal/) Thank you for reading. **— Sheila Maceira** ### IA responsable : de l’intention à la mise en œuvre URL: https://www.sheilamaceira.com/s01a10f-ia-responsable-de-lintention-a-la-mise-en-oeuvre/ Last updated: 2026-08-30T22:07:15.000Z ### **Comment la gouvernance devient une capacité opérationnelle — et pourquoi la responsabilité se vérifie après le déploiement.** CX for AI · Saison 1 · **S01A10** *f* *Read in* [*English*](https://www.sheilamaceira.com/s01a10-responsible-ai-from-intention-to-implementation/)*.* L’IA responsable ne se démontre pas par une politique, une charte éthique ou une réunion d’approbation. Elle se vérifie lorsqu’un système en production génère un résultat inattendu. L’organisation peut-elle comprendre ce qui s’est passé ? Quelqu’un assume-t-il clairement la responsabilité des conséquences ? Les équipes opérationnelles peuvent-elles intervenir ? La personne concernée peut-elle contester ou corriger le résultat ? Le service peut-il apprendre sans reproduire le même échec ? Si ces questions restent sans réponse, l’intention éthique ne s’est pas encore traduite en mise en œuvre responsable. L’IA responsable est une capacité opérationnelle : celle de fixer des limites avant le lancement et de rester en mesure de rendre des comptes une fois le système en service. ## **Les principes ne font pas fonctionner les services** La réflexion éthique aide une organisation à déterminer ce qui devrait être acceptable. L’IA responsable traduit ce jugement dans la manière dont les systèmes sont sélectionnés, conçus, testés, déployés, supervisés et modifiés. Ces deux disciplines ne s’opposent pas. Sans mise en œuvre, l’éthique reste une intention. Sans jugement éthique, la mise en œuvre risque d’optimiser un système dont la finalité, les limites ou les conséquences n’ont jamais été véritablement questionnées. La responsabilité relie les deux par l’attribution claire des rôles et la production de preuves. Cette distinction devient essentielle lorsqu’un système d’IA entre en service. L’équipe projet peut se disperser. Les données peuvent évoluer. Les modèles peuvent être mis à jour. Les personnes peuvent utiliser le service de manière imprévue. Un fournisseur peut modifier une composante sous-jacente. Une organisation responsable doit rester capable de détecter ces évolutions et de décider comment y répondre. # **Définir la responsabilité avant le lancement** Avant de déployer un système d’IA, les dirigeants devraient pouvoir définir : - le résultat qu’il doit produire ; - les personnes susceptibles d’en bénéficier ou d’en subir les conséquences ; - les décisions qu’il peut prendre ou appuyer ; - les décisions qu’il ne doit pas prendre de manière autonome ; - les situations qui exigent une intervention humaine ; - les preuves requises avant le déploiement ; - la personne responsable de sa performance une fois en service. Ensemble, ces décisions constituent ce que j’appelle un **cadre de responsabilité**. Son objectif n’est pas d’anticiper chaque défaillance possible. Il est de garantir que l’organisation a délibérément défini ce que le système est autorisé à faire — et qui reste responsable lorsque la réalité s’écarte de ce qui avait été conçu. Cette responsabilité nécessite également un socle technique. Comme l’explique Thiago Sartorio, Global Head of Enterprise Architecture : > « La responsabilité a besoin d’une ossature : il faut savoir d’où viennent les données, comment les modèles sont gérés, et pouvoir retracer chaque décision depuis ce que voit le client jusqu’aux systèmes qui fonctionnent en arrière-plan. Sans ces fondations, même les meilleures intentions éthiques s’effondrent dès que la complexité augmente. » *Traduction de l’anglais.* La traçabilité ne résout pas toutes les questions éthiques. Mais sans elle, les organisations peuvent ne plus être en mesure d’examiner les résultats, de déterminer ce qui a changé ni d’établir où une intervention est nécessaire. ## **La supervision humaine doit être opérationnelle** La supervision humaine est souvent considérée comme suffisante dès lors qu’une personne reste « dans la boucle ». Mais cette personne ne peut exercer une supervision réelle si elle ne comprend pas la recommandation, ne voit pas le contexte pertinent, ne peut pas contester le résultat ou arrêter le processus. Une intervention efficace exige : - de voir ce que le système a fait ; - de disposer d’un contexte suffisant pour évaluer le résultat ; - d’avoir les compétences nécessaires pour repérer un problème potentiel ; - de pouvoir agir avant que les conséquences ne deviennent irréversibles ; - d’avoir l’autorité nécessaire pour modifier la décision, interrompre le processus ou demander une escalade ; - de savoir si l’intervention a effectivement résolu le problème. Une personne désignée pour effectuer un contrôle, mais confrontée à une charge excessive, à des informations insuffisantes ou à l’impossibilité de modifier la décision, ne constitue pas un dispositif de maîtrise efficace. La supervision humaine n’est donc pas une simple case dans un schéma de processus. C’est une capacité opérationnelle qui doit elle-même être conçue, dotée de ressources et testée. Le [cadre d’audit de l’ICO consacré à l’IA](https://ico.org.uk/for-organisations/advice-and-services/audits/data-protection-audit-framework/toolkits/artificial-intelligence/human-review/?ref=sheilamaceira.com) souligne lui aussi l’importance de connaissances appropriées, de charges de travail maîtrisables, du pouvoir de contester les décisions et de la traçabilité des interventions humaines. [*Information Commissioner’s Office*](https://ico.org.uk/for-organisations/advice-and-services/audits/data-protection-audit-framework/toolkits/artificial-intelligence/human-review/?ref=sheilamaceira.com) ## **Quand être responsable signifie restreindre le périmètre** J’ai rencontré cette tension en intervenant comme conseillère en transformation dans le cadre d’un programme d’assistance destiné à environ 64 000 salariés et prestataires. Le service s’appuyait initialement sur l’IA conversationnelle, avant d’explorer les possibilités offertes par l’IA générative. Pourtant, à mesure que la technologie gagnait en puissance, une mise en œuvre responsable ne consistait pas à automatiser le plus rapidement possible un nombre croissant de parcours. Nous avons réduit le périmètre. En nous concentrant sur moins de parcours, l’équipe a pu fixer des exigences de qualité plus claires, renforcer les contenus, concevoir des passages de relais appropriés et établir un modèle de gouvernance plus crédible avant d’étendre le service. Ce n’était pas un renoncement à l’ambition. C’était reconnaître que les capacités techniques et la maturité organisationnelle progressaient à des rythmes différents. Une mise en œuvre responsable exige parfois de renoncer à automatiser un cas d’usage tant que le service qui l’entoure ne permet pas de le faire de manière sûre et cohérente. ## **Maintenir la boucle de responsabilité** La responsabilité ne s’arrête pas à l’approbation. Elle évolue tout au long du cycle de vie du système. | Étape du cycle de vie | Responsabilité principale | Preuves à conserver | | --------------------- | -------------------------------------------------------------------------------- | ------------------------------------------------------- | | Conception | Définir les résultats, les limites, les risques et les responsabilités | Cadre de responsabilité et analyse d’impact | | Déploiement | Valider le comportement, les passages de relais et la préparation opérationnelle | Résultats des tests et décision de lancement documentée | | Exploitation | Suivre les résultats, les exceptions, les réclamations et les interventions | Revues opérationnelles, journaux et rapports d’incident | | Évolution | Corriger, restreindre, améliorer ou retirer le système | Décisions, modifications et preuves de l’apprentissage | Je conçois ce cycle comme la **boucle de responsabilité** : Concevoir → Déployer → Exploiter → Faire évoluer. Chaque étape alimente la suivante. Les preuves recueillies en exploitation font évoluer la conception ; les incidents influencent les contrôles ; les interventions révèlent les améliorations nécessaires dans le service ou le modèle. Le [NIST AI Risk Management Framework 1.0](https://airc.nist.gov/airmf-resources/airmf/5-sec-core/?ref=sheilamaceira.com) repose sur un principe comparable, articulé autour de quatre fonctions interdépendantes : *Govern*, *Map*, *Measure* et *Manage*. Il ne s’agit pas d’étapes linéaires : la gouvernance est transversale, et la gestion des risques doit rester continue et itérative tout au long du cycle de vie de l’IA. *NIST AI Risk Management Framework* ## **Comment la responsabilité protège la performance** L’IA responsable ne garantit ni l’adoption, ni la fidélité, ni la croissance. Elle peut toutefois protéger certaines des conditions dont dépendent ces résultats. Des limites claires réduisent le risque d’utiliser l’automatisation là où elle n’est pas prête. La supervision permet de repérer une dégradation avant qu’elle ne devienne systémique. Une intervention efficace limite les conséquences d’une défaillance. L’explication et la possibilité de corriger donnent aux personnes une voie de recours lorsque le système se trompe. Ces capacités peuvent protéger l’adoption, la résilience opérationnelle, la fidélisation et la réputation. Elles peuvent aussi conduire une organisation à ralentir un déploiement, à restreindre le périmètre ou à arrêter un système dont l’efficacité apparente produit des résultats inacceptables. La responsabilité ne s’oppose donc pas à la performance. Elle définit les formes de performance que l’organisation est prête à accepter. Cela exige des indicateurs qui ne se limitent pas à vérifier si le système a accompli sa tâche, mais qui montrent également si l’organisation est restée capable de réagir. | Question de responsabilité | Signal opérationnel | | -------------------------------------------------------------- | ------------------------------------------------------------------------------------------------------ | | Les défaillances deviennent-elles visibles ? | Délai de détection et évolution des tendances d’exception | | Les équipes peuvent-elles intervenir efficacement ? | Délai d’intervention et efficacité des corrections humaines | | Les personnes concernées peuvent-elles corriger la situation ? | Taux de correction et de reprise réussie du parcours | | L’organisation apprend-elle ? | Réapparition de défaillances déjà identifiées | | Quelqu’un reste-t-il responsable ? | Responsabilité clairement attribuée, décisions prises dans les délais et clôture des actions convenues | Ces indicateurs doivent être interprétés avec les données clients, techniques et opérationnelles. Ils ne doivent pas être agrégés pour former un « score de responsabilité » artificiel. Une intervention rapide n’est pas nécessairement efficace. Un faible taux de réclamation peut signifier que le système fonctionne bien — ou que les personnes ne savent pas comment le contester. Les indicateurs font naître des questions avant d’apporter des conclusions. ## **De l’intention volontaire à une responsabilité contraignante** L’environnement réglementaire reflète de plus en plus cette conception opérationnelle. Depuis le 2 août 2026, l’Office européen de l’IA et les autorités nationales sont entrés dans une nouvelle phase d’application du règlement sur l’IA. De nouvelles obligations de transparence ont également commencé à s’appliquer à certains systèmes ainsi qu’aux contenus générés ou modifiés par l’IA. [*Commission européenne*](https://digital-strategy.ec.europa.eu/en/news/commission-starts-enforcing-ai-act-rules-and-new-transparency-requirements-2-august?ref=sheilamaceira.com) La réglementation ne peut pas déterminer tous les usages acceptables ni anticiper chaque défaillance opérationnelle. Elle renforce néanmoins un principe fondamental : une organisation ne peut pas déléguer sa responsabilité à un modèle, une plateforme ou un fournisseur. La conformité peut établir un seuil minimal. La responsabilité détermine la manière dont l’organisation agit lorsque les règles n’apportent pas toutes les réponses. ## **Cinq questions pour une IA responsable** Avant le lancement — et tout au long de l’exploitation — les dirigeants devraient pouvoir répondre à cinq questions. ### 1\. De quels résultats et de quelles conséquences sommes-nous responsables ? La responsabilité doit couvrir les effets du système, et pas seulement sa conformité aux spécifications techniques. ### 2\. Qui est responsable du système une fois le projet terminé ? La responsabilité doit survivre au passage de l’innovation ou de la mise en œuvre vers l’exploitation quotidienne. ### 3\. Quelles preuves nous révéleront une évolution de son comportement ou de ses effets ? La supervision doit porter sur la performance technique, les résultats pour les clients, les exceptions opérationnelles et le service dans son ensemble. ### 4\. Les personnes peuvent-elles contester un résultat — et les équipes opérationnelles peuvent-elles agir ? Un accès à l’assistance humaine a peu de valeur si la personne qui reçoit le dossier ne dispose ni du contexte, ni des capacités, ni de l’autorité nécessaires. ### 5\. Que se passera-t-il après une défaillance ? L’organisation doit pouvoir contenir le problème, expliquer ce qui s’est passé, réparer les conséquences et réduire le risque de récurrence. Ensemble, ces questions font passer l’IA responsable d’une déclaration de valeurs à une discipline continue de performance et de responsabilité. ## **Rester en mesure de rendre des comptes** L’IA responsable ne promet pas qu’un système intelligent ne connaîtra jamais de défaillance. Elle garantit qu’une défaillance ne laissera pas l’organisation aveugle, passive ou incapable de rendre des comptes. Les politiques comptent. Les principes comptent. Les contrôles techniques comptent. Mais la responsabilité ne devient réelle que lorsque tous ces éléments fonctionnent ensemble : lorsque les limites sont claires, que l’attribution des responsabilités survit au déploiement, que les problèmes deviennent visibles, que les équipes peuvent intervenir et que les personnes concernées peuvent rétablir leur situation. La confiance peut naître de ce comportement au fil du temps. Elle ne peut pas être décrétée à l’avance. L’intelligence détermine ce qu’un système peut faire. La responsabilité détermine si l’organisation reste en mesure de répondre de ce que fait ce système. --- *Note de publication : Cet essai fait partie de *CX for AI*, une série qui explore l’infrastructure de la confiance, de la demande et de la croissance dans les marchés façonnés par l’IA. Il reprend et actualise en profondeur «* [*L’IA responsable : de l’intention à la mise en œuvre*](https://medium.com/@sheila%5Fmac/ia-responsable-de-lintention-%C3%A0-la-mise-en-%C5%93uvre-b01884a6aed9?ref=sheilamaceira.com) *», publié pour la première fois sur Medium en novembre 2025.* ### Bridging the Gap: Why product-first AI fails — and How service design fixes it URL: https://www.sheilamaceira.com/s01a05-bridging-the-gap-why-product-first-ai-fails/ Last updated: 2026-08-30T22:15:19.000Z ### **Why a technically successful product can still create a poorly performing service.** CX for AI · Season 1 · **S01A05** AI products are often judged at the point where the technology performs: the model produces an answer, the assistant completes an interaction or the digital feature goes live. Customers experience something larger. They encounter the service before, during and after that interaction—and the organisation must support everything the product cannot resolve on its own. This creates a common performance gap. A product may work as designed while customers still abandon the journey, seek reassurance through another channel or require manual intervention. Adoption remains weak, service demand moves elsewhere and the expected value never fully materialises. The problem is not product thinking. It is allowing the product boundary to become the performance boundary. Service design closes that gap by connecting the customer journey with the processes, people, data, policies and hand-offs required to deliver the intended outcome. ## **When the product works but the service does not** Product teams understandably focus on whether a feature is useful, usable and technically reliable. These are essential questions—but they do not reveal everything that determines performance. A customer may successfully complete an AI interaction but remain uncertain about what happens next. An automated assistant may provide an accurate answer without resolving the underlying need. A new digital journey may increase completion while creating additional enquiries for operational teams. In each case, the product has performed its immediate function. The surrounding service has not necessarily produced the intended outcome. [Google Duplex](https://ai.googleblog.com/2018/05/duplex-ai-system-for-natural-conversation.html?ref=sheilamaceira.com) remains a useful illustration. It demonstrated that AI could conduct natural telephone conversations and complete specific tasks such as making reservations. But its practical value also depended on businesses understanding the interaction, accepting this new form of communication and accommodating it within their existing ways of working. The technology could perform the task. The wider service still depended on the people and processes around it. That distinction matters: technical execution is only one condition of service performance. ## **The performance cost of fragmentation** Fragmentation is often described as a customer-experience problem. It is also an operational and economic problem. When the parts of a service do not work together, customers compensate. They change channels, repeat information, seek reassurance or ask an employee to complete what the digital journey could not. The organisation compensates too. Operational teams handle additional contacts, investigate unclear cases, correct errors and create manual workarounds. The cost does not disappear simply because the digital interaction has been completed. I saw these consequences while working on a tax-free savings transfer service in banking. The journey extended across digital, branch, telephone and paper channels, while customers had limited visibility of their transfer status. Uncertainty generated reassurance calls and avoidable demand precisely when seasonal volumes were highest. The answer was not another isolated feature. Product, Technology, Operations, Customer Care, Risk, Marketing and Data needed to examine the journey as one service: what customers understood, where information disappeared, how status was communicated and which points of failure generated contact. The resulting improvements reduced customer-service contacts by 32% compared with the five preceding annual transfer seasons. The service performed better because its fragments were treated as one operating system. ## **Looking beyond product indicators** The difference between product performance and service performance becomes clearer when we examine what common indicators actually tell us. | Product-level indicator | Wider service question | | ----------------------- | ------------------------------------------------------- | | Feature launched | Can eligible customers successfully reach and use it? | | Interaction completed | Was the customer’s underlying objective achieved? | | Digital adoption | Do customers continue using it effectively? | | Automated containment | Were enquiries resolved or merely displaced? | | Model accuracy | What happens when the answer is uncertain or wrong? | | Transaction volume | Did the interaction create customer and economic value? | Product indicators are not wrong. They are incomplete when viewed in isolation. A high containment rate, for example, may appear positive. But if customers return later, contact another channel or quietly abandon the service, the apparent efficiency may not survive beyond the dashboard. Service design expands the unit of analysis. It asks not only whether an interaction worked, but also what happened before it, what followed it and what effort was created elsewhere. ## **Designing the operation as well as the experience** Understanding customer needs is only one half of the service blueprint. The organisation must also understand what happens behind the interaction. For an AI-enabled service, this includes: - the quality and availability of the underlying data; - the rules governing recommendations and decisions; - the capacity and capability of operational teams; - the route into appropriate human support; - the treatment of uncertainty and exceptions; - the organisation’s ability to identify and correct failure. These are not secondary implementation details. They determine whether uncertainty becomes abandonment, repeat contact, manual intervention, regulatory exposure or loss of confidence. This is particularly important with AI because its failures are not always obvious. A conventional process may stop when information is missing. An AI system may continue and produce an answer that appears plausible. The surrounding service must therefore be designed not only for the expected journey, but also for hesitation, ambiguity and recovery. ## **Five questions for a better-performing service** Before introducing AI—and again after launch—leaders should be able to answer five questions. ***1\. What outcome should the service produce?*** The objective should extend beyond deploying a feature or completing an interaction. What should change for the customer, the operation and the organisation? ***2\. What happens before and after the AI interaction?*** The AI component sits within a wider journey. Customers may arrive with incomplete information and leave with further actions, decisions or concerns. Those transitions form part of the service. ***3\. What enables the outcome behind the scenes?*** People, processes, data, policies, technology and external partners must work together. A weakness in any one of them can undermine the entire journey. ***4\. How will uncertainty, exceptions and failure be handled?*** Customers need a clear route forward when the system cannot help. Operational teams need the context and authority to intervene effectively. The organisation needs to learn from those cases. ***5\. How will realised value be measured?*** Measurement should extend beyond launch, usage and interaction completion. It should examine adoption, successful outcomes, repeat demand, operating effort, recovery and economic value. Together, these questions shift attention from whether the AI product works to whether the whole service performs. ## **Product success is necessary—but incomplete** Service design matters because value is realised across a system, not at the moment a feature works. An AI product may be accurate, intuitive and technically impressive. The more important test is whether customers achieve their objective, whether the operation can absorb the change, whether failures can be recovered safely and whether the organisation sees measurable improvement. Product success is therefore not irrelevant. It is incomplete. When organisations design the surrounding service with the same care as the product, AI has a much better chance of improving adoption, reducing avoidable demand and creating value that survives beyond launch. --- *Publication note: Part of *CX for AI*, a series exploring the infrastructure of trust, demand and growth in AI-mediated markets. It revisits and substantially updates “*[*Bridging the Gap: Why Product-First AI Fails — and How Service Design Fixes It*](https://medium.com/@sheila%5Fmac/bridging-the-gap-why-product-first-ai-fails-and-how-service-design-fixes-it-068eec6efe53?source=friends%5Flink&sk=cfc83f6484102c9ecbabb86583f3ec3c)*”, first published on Medium in January 2025.* ### Putting AI at the Service of Inclusion URL: https://www.sheilamaceira.com/s01a09-putting-ai-at-the-service-of-inclusion/ Last updated: 2026-08-10T13:06:12.000Z ### **Why inclusion is a right, a design discipline and a condition of service performance.** CX for AI · Season 1 · **S01A09** An AI-enabled service can perform well on average and still exclude some of the people it is intended to serve. Overall accuracy may conceal that some voices are recognised less reliably. A high completion rate may hide users who cannot enter the journey, understand the instructions or recover when something goes wrong. Successful automation may coexist with additional human intervention elsewhere. The dashboard remains positive because these experiences are diluted within an average—or absent from the measurement altogether. Inclusion is a right before it is a business case. People should not have to demonstrate commercial value to deserve access, autonomy and fair treatment. But exclusion also has measurable consequences. It restricts participation, increases abandonment, creates avoidable support demand and prevents services from delivering their intended outcomes. Inclusive design therefore belongs at the centre of both responsible AI and service performance. ## **A right—and a performance condition** Approximately 100 million people in the EU live with a disability, and the European Accessibility Act has applied to covered products and services since 28 June 2025\. [European Commission](https://commission.europa.eu/news-and-media/news/eu-becomes-more-accessible-all-2025-07-31%5Fen?ref=sheilamaceira.com) Compliance establishes an essential minimum. Inclusion asks a broader question: can people genuinely participate in the service and achieve the outcome it was created to provide? A technically accessible interface may still use confusing language. An alternative channel may exist but require disproportionate effort. A human hand-off may be available but lose all the information the customer has already provided. Access to the door is not the same as successful participation. The distinction matters for AI because automated services can scale both access and exclusion. A barrier built into a conventional process may affect one interaction at a time. A barrier built into an AI-enabled service can be repeated rapidly, consistently and with little visibility. ## **When AI expands participation** AI can help people interact through speech, text, images or other inputs. It can describe visual information, adapt interfaces and translate between different modes of communication. Jennifer Wexton’s experience offers a powerful example. After progressive supranuclear palsy affected her ability to speak, AI recreated her voice from previous recordings, allowing her to continue participating publicly in a voice recognisably her own. [C-SPAN](https://www.c-span.org/clip/us-house-of-representatives/rep-jennifer-wexton-delivers-speech-using-ai-to-recreate-her-own-voice/5125779?ref=sheilamaceira.com) The significance was not the novelty of synthetic speech. It was the restoration of agency. This is AI at the service of inclusion: technology expanding the ways in which someone can participate rather than requiring them to conform to a standard interface. ## **When average performance conceals exclusion** The same technology can create barriers when it is designed around a narrow understanding of its users. A speech-recognition system may achieve strong overall accuracy while performing less reliably for particular accents or speech patterns. An identity-verification journey may work smoothly for most customers while repeatedly rejecting people whose circumstances were underrepresented during design and testing. Aggregate performance does not invalidate these failures. It can conceal them. The relevant questions are therefore not reduced to accuracy of the system. They must also include: *for whom does it work less well? What happens to those people? Can they recover?* Recovery is particularly important. No system will handle every circumstance successfully. An inclusive service must allow people to question an outcome, correct inaccurate information, change channel or reach someone able to help—without having to restart the entire journey. ## **Designing from lived experience** I encountered the human importance of adaptive design during my time as a trustee at Lifelites, a UK charity providing assistive and inclusive technology for children using palliative-care services. That experience reinforced a principle: people should not have to adapt themselves to the assumptions built into a standard interface. Technology creates meaningful access when the interaction can adapt to different abilities, circumstances and forms of expression. Empathy may initiate that work, but effective inclusion requires the discipline to understand real contexts, test with the people concerned and redesign around what is learned. I saw the same distinction from an operational perspective while supporting adoption of public digital services used by farmers for administrative processes, funding applications and visibility of project progress. These services were not AI-enabled, but they demonstrated that making a journey available online does not automatically make it effectively accessible. Adoption depended on whether people understood the process, could relate it to their circumstances, received practical support and knew how to proceed when the standard journey did not work for them. Co-design and direct engagement helped teams treat adoption as a service outcome—not simply as the consequence of releasing digital functionality. AI does not change that principle; it raises the stakes because automated interactions can make exclusion faster, less visible and more difficult to challenge. ## **Making exclusion visible** Inclusion changes what organisations need to measure. | Performance dimension | What an aggregate indicator may hide | What to investigate | | ----------------------- | ------------------------------------------- | ----------------------------------------------------- | | Reach | Eligible people who never enter the journey | Entry barriers and participation by access need | | Completion | Different patterns of abandonment | Where and why relevant groups leave the journey | | Decision quality | Unequal error or rejection rates | Outcomes, corrections and human overrides | | Support demand | Effort displaced into another channel | Repeat contact, intervention and resolution time | | Recovery | People unable to challenge an outcome | Escalation and successful recovery | | Sustained participation | Initial use without meaningful benefit | Continued use and achievement of the intended outcome | These measures require care. Examining performance by cohort or access need must be lawful, appropriate and proportionate. Quantitative evidence should also be combined with accessibility testing, operational evidence and direct research with affected people. Metrics alone cannot represent those who were unable to enter the service. Nor can they explain why a difference exists. The objective is not to produce a single inclusion score. It is to identify where apparently successful services produce unequal experiences or outcomes—and then act on that evidence. ## **Four disciplines for inclusive AI** Four disciplines help translate inclusion from principle into practice. ### ***1\. Make AI behaviour understandable*** People should know when AI is involved, what it can do, which information influences its output and how they can question or correct the result. Explanation should help someone act. Disclosure alone is not enough. ### ***2\. Provide equivalent pathways*** Different modes of interaction should not lead to an inferior, slower or disconnected service. A human route may be necessary, but it should preserve context and enable the person to continue rather than begin again. ### ***3\. Design with the people concerned*** Lived experience reveals barriers that design teams, datasets and standard testing scenarios frequently miss. Co-design should not be limited to a final accessibility review. It should influence the problem definition, journey, operating model, testing and measurement. ### ***4\. Measure differences, not only averages*** Overall performance should be examined alongside variations in access, completion, errors, intervention and recovery. A service cannot be understood fully if its strongest results conceal who is being left behind. ## **Inclusion as part of AI governance** This performance discipline is increasingly reflected in regulation. The EU AI Act classifies specified AI systems used in areas such as education, employment and access to essential public and private services as high-risk because they may pose serious risks to health, safety or fundamental rights. The relevant high-risk requirements are due to apply from December 2027 and include risk management, data quality, traceability, human oversight and post-market monitoring.[ European Commission](https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai?ref=sheilamaceira.com) Regulation does not replace inclusive design. It reinforces the need to understand how systems perform for the people affected by them. That understanding cannot be created entirely before launch. Organisations must continue examining who uses the service, who encounters difficulty, where human intervention becomes necessary and whether people can recover from an unsuccessful outcome. ## **Performance beyond the average user** Inclusion changes the unit by which performance is judged. It asks organisations to look beyond the average user and examine whether the population a service is intended to support can enter, participate, achieve an outcome and recover from failure. AI can remove barriers that conventional services have left in place. It can also reproduce those barriers at greater speed and scale. The difference lies in whose experience shapes the design, which variations the service can accommodate and whether unequal outcomes remain visible after launch. A high-performing service is not one that works efficiently for the expected user. It is one that does not require people to become the expected user before they can participate. --- *Publication note: Part of *CX for AI*, a series exploring the infrastructure of trust, demand and growth in AI-mediated markets. It revisits and substantially updates “*[*Putting AI at the Service of Inclusion*](https://medium.com/@sheila%5Fmac/putting-ai-at-the-service-of-inclusion-0740cd42d20c?ref=sheilamaceira.com)*”, first published on Medium in October 2025.* ### Responsible AI: From Intention to Implementation URL: https://www.sheilamaceira.com/s01a10-responsible-ai-from-intention-to-implementation/ Last updated: 2026-08-30T22:06:31.000Z ### **How governance becomes an operating capability—and why accountability is tested after deployment.** CX for AI · Season 1 · **S01A10** *Lire en* [*français*](https://www.sheilamaceira.com/s01a10f-ia-responsable-de-lintention-a-la-mise-en-oeuvre/)*.* Responsible AI is not proven by a policy, an ethics statement or an approval meeting. It is tested when a live system produces an unexpected outcome. Can the organisation see what happened? Does someone clearly own the consequence? Can operational teams intervene? Can the affected person question or correct the result? Can the service learn without repeating the same failure? If those questions cannot be answered, ethical intention has not yet become responsible implementation. Responsible AI is an operating capability: the ability to establish boundaries before launch and remain answerable after the system begins operating. ## **Principles do not run services** Ethical reasoning helps an organisation decide what ought to be acceptable. Responsible AI translates that judgement into the way systems are selected, designed, tested, deployed, monitored and changed. The two are not competing disciplines. Ethics without implementation remains an intention. Implementation without ethical judgement may optimise a system whose purpose, boundaries or consequences were never properly challenged. Responsibility connects the two through ownership and evidence. This distinction becomes important when an AI system enters operation. The project team may disband. Data may change. Models may be updated. People may use the service in ways that were not anticipated. A supplier may alter an underlying capability. A responsible organisation must remain capable of recognising these changes and deciding what to do about them. ## **Defining responsibility before launch** Before an AI system is deployed, leaders should be able to define: the outcome it is intended to produce; the people who may benefit or be harmed; the decisions it may make or support; the decisions it must not make independently; the conditions requiring human intervention; the evidence required before deployment; the person accountable for its performance in operation. Together, these decisions form what I call an accountability brief. Its purpose is not to predict every possible failure. It is to ensure that the organisation has made deliberate choices about what the system is allowed to do—and who remains responsible when reality does not follow the design. This responsibility also requires a technical foundation. As Thiago Sartorio, Global Head of Enterprise Architecture, puts it: “Responsibility needs a backbone: you need to know where your data comes from, how your models are managed, and be able to trace every decision from what the customer sees back to the systems running underneath. Without that foundation, even the best ethical intentions collapse when things get complex.” Traceability does not resolve every ethical question. But without it, organisations may be unable to investigate outcomes, identify what changed or establish where intervention is required. ## **Human oversight must be operational** Human oversight is often treated as sufficient simply because a person remains “in the loop.” But a person cannot provide meaningful oversight if they cannot understand the recommendation, see the relevant context, challenge the output or stop the process. Effective intervention requires: - visibility of what the system has done; - enough context to assess the outcome; - competence to recognise a potential problem; - time to act before the consequence becomes irreversible; - authority to override, pause or escalate; - feedback showing whether the intervention resolved the issue. A nominal reviewer with an excessive caseload, insufficient information or no power to change the decision is not an effective control. Human oversight is therefore not a position in a process diagram. It is an operational capability that must itself be designed, resourced and tested. The ICO’s AI audit framework similarly emphasises appropriate knowledge, manageable workloads, authority to challenge decisions and records of human overrides. [Information Commissioner’s Office](https://ico.org.uk/for-organisations/advice-and-services/audits/data-protection-audit-framework/toolkits/artificial-intelligence/human-review/?ref=sheilamaceira.com) ## **When responsibility means narrowing the scope** I encountered this tension while contributing as a transformation adviser to an employee-support programme intended to serve approximately 64,000 employees and contractors. The service began with conversational AI and later explored the possibilities created by generative AI. As the technology became more capable, however, responsible delivery did not mean automating more journeys as quickly as possible. We narrowed the scope. Fewer journeys allowed the team to establish clearer quality boundaries, strengthen the content, design appropriate hand-offs and create a more credible governance model before extending the service. That was not a rejection of ambition. It recognised that technical capability and organisational readiness were developing at different speeds. Responsible implementation sometimes means refusing to automate a use case until the surrounding service can support it safely and consistently. ## **Keeping the responsibility loop alive** Responsibility does not end with approval. It changes throughout the system’s lifecycle. | Lifecycle stage | Principal responsibility | Evidence to retain | | --------------- | --------------------------------------------------------- | ---------------------------------------------- | | Design | Define outcomes, boundaries, risks and ownership | Accountability brief and impact assessment | | Deploy | Validate behaviour, hand-offs and operational readiness | Test results and documented launch decision | | Operate | Monitor outcomes, exceptions, complaints and intervention | Operational reviews, logs and incident records | | Evolve | Correct, restrict, improve or retire the system | Decisions, changes and evidence of learning | I think of this cycle as the Responsibility Loop: **Design → Deploy → Operate → Evolve**. Each stage feeds the next. Operational evidence changes future design; incidents influence controls; interventions reveal where the service or model needs to improve. The NIST AI Risk Management Framework 1.0 reinforces a comparable principle through four interconnected functions: Govern, Map, Measure and Manage. These are not linear stages; governance is cross-cutting, and risk management is intended to remain continuous and iterative across the AI lifecycle. [NIST AI Risk Management Framework](https://airc.nist.gov/airmf-resources/airmf/?ref=sheilamaceira.com) ## **How responsibility protects performance** Responsible AI does not guarantee adoption, loyalty or growth. It can, however, protect some of the conditions on which those outcomes depend. Clear boundaries reduce the likelihood that automation is used where it is not ready. Monitoring helps identify deterioration before it becomes systemic. Effective intervention limits the consequences of failure. Explanation and recovery give people a route forward when the system gets something wrong. These capabilities can protect adoption, operational resilience, retention and reputation. They may also require organisations to slow deployment, restrict scope or stop a system whose apparent efficiency is producing unacceptable outcomes. Responsibility is therefore not opposed to performance. It defines which forms of performance the organisation is prepared to accept. That requires indicators focused not only on whether the system completed its task, but on whether the organisation remained capable of responding. | Accountability question | Operational signal | | --------------------------------- | --------------------------------------------------------------- | | Are failures becoming visible? | Detection time and emerging exception patterns | | Can people intervene effectively? | Intervention time and successful overrides | | Can affected people recover? | Correction and successful-recovery rates | | Is the organisation learning? | Recurrence of previously identified failures | | Does someone remain answerable? | Named ownership, timely decisions and closure of agreed actions | These indicators should be interpreted alongside customer, technical and operational evidence. They should not be combined into an artificial “responsibility score.” A fast intervention is not necessarily effective. A low complaint rate may mean that the system works well—or that people do not know how to challenge it. Metrics create questions before they create conclusions. ## **From voluntary intention to enforceable responsibility** The regulatory environment increasingly reflects this operational view. From 2 August 2026, the European Commission’s AI Office and national authorities began a new phase of AI Act enforcement. New transparency requirements also started applying to specified systems and AI-generated or altered content. [European Commission](https://digital-strategy.ec.europa.eu/en/news/commission-starts-enforcing-ai-act-rules-and-new-transparency-requirements-2-august?ref=sheilamaceira.com) Regulation cannot determine every acceptable use or anticipate every operational failure. It does, however, reinforce a fundamental principle: organisations cannot delegate their accountability to a model, platform or supplier. Compliance may establish the minimum. Responsibility determines how the organisation behaves when the rules do not provide the whole answer. ## **Five questions for accountable AI** Before launch—and throughout operation—leaders should be able to answer five questions. ### **1\. What outcomes and consequences are we accountable for?** Responsibility must cover the system’s effects, not only whether it operated according to its technical specification. ### **2\. Who owns the system after project delivery ends?** Accountability should survive the transition from innovation or implementation into everyday operation. ### **3\. What evidence will reveal that its behaviour or impact is changing?** Monitoring should include technical performance, customer outcomes, operational exceptions and the surrounding service. ### **4\. Can people question an outcome—and can operational teams act?** A route to human support has little value if the person receiving the case lacks context, capacity or authority. ### **5\. What will happen after a failure?** The organisation should be able to contain the problem, explain what happened, repair the outcome and reduce the likelihood of recurrence. Together, these questions move Responsible AI from a statement of values to a continuing discipline of performance and accountability. ## **Remaining answerable** Responsible AI does not promise that an intelligent system will never fail. It ensures that failure does not leave the organisation blind, passive or unaccountable. Policies matter. Principles matter. Technical controls matter. But responsibility becomes real only when those elements operate together: when boundaries are clear, ownership survives deployment, problems become visible and people can intervene and recover. Trust may emerge from that behaviour over time. It cannot be declared in advance. Intelligence determines what a system can do. Responsibility determines whether the organisation remains answerable for what that system does. --- *Publication note: Part of *CX for AI*, a series exploring the infrastructure of trust, demand and growth in AI-mediated markets. It revisits and substantially updates “*[*Responsible AI: From Intention to Implementation*](https://medium.com/%40sheila%5Fmac/responsible-ai-from-intention-to-implementation-181a03ea4e9e?utm%5Fsource=chatgpt.com)*”, first published on Medium in November 2025.*